Nvidia-forskare har byggt ett agentsystem som pressade Anthropics Claude Opus 5 till ett perfekt betyg på 100 % på ARC-AGI-3, ett av de mest krävande interaktiva resonemangsriktmärkena inom AI – med samma modell som får 30 % när den körs på egen hand. Resultatet, som publicerades i fredags på Nvidias tekniska blogg, är det starkaste beviset hittills på att mjukvaran som lindas runt en gränsmodell spelar lika stor roll som själva modellen. För alla som följer den senaste AI-utvecklingen, markerar det ett skifte i var konkurrensfördelar inom agent AI faktiskt lever.

Systemet kallas AVO, en förkortning för Agentic Variation Operators, och det är Nvidias satsning på en arkitektur för allmänna ändamål för autonoma agenter med lång horisont – AI som kan stanna kvar på uppgiften i timmar eller dagar istället för att svara på en enda prompt. På det offentliga ARC-AGI-3-setet spelade AVO in ett RHAE-poäng på 100,00 i alla 25 spelmiljöer, och fullbordade alla 183 nivåer i 6 624 miljöåtgärder med Claude Opus 5 som backend-modell.

Vad ARC-AGI-3 faktiskt testar

ARC-AGI-3 är ett interaktivt resonemangsriktmärke skapat av stiftelsen ARC Prize. En agent släpps in i okända, spelliknande miljöer utan instruktioner, inga uttalade regler och inget uttalat mål. Den måste utforska genom försök och misstag, sluta sig till hur miljön fungerar, ta reda på vad "vinnande" betyder och sedan agera tillräckligt effektivt för att gå vidare genom allt svårare nivåer.

Riktmärkets poängmått, Relative Human Action Efficiency (RHAE), kombinerar uppgiftsslutförande med hur få åtgärder agenten slösar i förhållande till förstagångsspelare. Det gör det till ett brutalt test av uthållig autonomi: agenten måste komma ihåg vad den lärt sig, återhämta sig från misstag och budgetera sina handlingar noggrant under en hel körning.

Nvidias rubriknummer får sammanhang från en jämförelse. VISTA, en tidigare direktinteraktionssele som också använde Claude Opus 5, klarade samma 183 offentliga nivåer i 7 542 miljöåtgärder. AVO behövde ungefär 12 % färre åtgärder för att avsluta jobbet, enligt Nvidias blogginlägg.

Från GPU-kärnor till okända spel

AVO byggdes inte för pussel. Nvidia demonstrerade först arkitekturen för GPU-kärnoptimering, en domän där små kodändringar kan bryta korrekthet, minnesbeteende och genomströmning på oförutsägbara sätt. I en uppmärksamhetskärnstudie körde AVO kontinuerligt i sju dagar, utforskade mer än 500 optimeringsanvisningar och tog över 40 kärnversioner. På NVIDIA DGX B200-system överträffade de resulterande multihead uppmärksamhetskärnorna cuDNN med upp till 3,5 % och FlashAttention-4 med upp till 10,5 %. Agenten anpassade sedan sin utvecklade kärna till uppmärksamhet i grupperade frågor på cirka 30 minuter av ytterligare autonomt arbete.

Samma kärnslinga – inspektera, planera, implementera, testa, utvärdera – pekade sedan på ARC-AGI-3 med bara uppgiftsgränssnittet ändrat. Två mekanismer förs över. Det första är beständigt minne, som lagrar tidigare implementeringar, utvärderingsresultat, kompilator- och profileringsutgångar och ackumulerade resonemang, så att agenten kan återgå från sitt nuvarande tillstånd snarare än att bygga om sammanhanget från början. Den andra är en handledare, en andra agent som övervakar den övergripande banan och ingriper när framstegen avstannar.

Handledaren är genombrottet

TechCrunch, som intervjuade Nvidias Adel El Hallak, vice vd för produkt i företagets AI-enhet, lyfte fram handledaren som den viktigaste ingrediensen. "Det fungerar nästan som en VD att knuffa agenten när den går av riktningen eller börjar utforska en väg som kan leda till en återvändsgränd, eller återutforska en väg som den tidigare trampat", sa El Hallak till tidningen.

Prestandagapet är stort. Nvidias testning visade att Claude Opus 5 utan en sofistikerad sele fick 30 % poäng på ARC-AGI-3 – det bästa resultatet bland de testade kala modellerna, men inte i närheten av en full körning. OpenAI:s modeller har fått under 10% på riktmärket, och företaget publicerade sin egen forskning förra månaden som visade att justering av bara två seleinställningar tredubblade sina poäng. Ingen konfiguration med endast modell har kommit i närheten av de 100 % som AVO uppnådde.

Noterbart är att AVO-konfigurationen körde i en endast text-modalitet: varje observation tillhandahölls som ett exakt 64x64 textrutnät, utan bilder eller bildsymboler som skickades till modellen. Resonemangskraften kom från loopen kring modellen, inte från multimodal perception.

Varför branschen satsar på selar

Fyndet landar mitt i en våg av bevis för att agentinfrastruktur, inte råmodellkapacitet, är den nuvarande flaskhalsen för autonom AI. Databricks publicerade benchmarkingforskning i juli som visar att selen dramatiskt påverkar både prestanda och kostnad. "Du kan välja samma modell men olika selar, och du får betydligt mer kostnad om du använder fel sele," sa Databricks vd Ali Ghodsi till TechCrunch. "Det i sig kan 2x din kostnad."

El Hallak inramade Nvidias bredare argument i termer av öppenhet. "Vi tror på att ha en öppen agentstack - där du har kontroll över selen, över infrastrukturen, över hela körtiden - är vad som krävs för att vi ska leda ekosystemet framåt och säkert," sa han. Nvidia har seleteknik i öppen storlek under sitt NeMo-varumärke, och AVO-forskningen finns dokumenterad i en artikel på arXiv.

Ett riktmärke med en historia

ARC-AGI-3 har blivit en flampunkt i rivaliteten mellan gränser och labb. OpenAI hävdade tidigare starka resultat för sin GPT-5.6 Sol-modell på riktmärket, och granskade de utvärderingsinställningar som användes. Nvidias resultat kringgår den debatten i en mening - det gör inte anspråk på en smartare modell, bara en bättre konstruerad agent kring en befintlig.

Budskapet till utvecklare och företag som bygger agentprodukter är direkt: val av modell spelar fortfarande roll, men systemdesignen avgör nu om en frontiermodell ger gränsöverskridande resultat. Som Nvidia uttrycker det, är att utvärdera en modell inte detsamma som att utvärdera en agent – ​​och benchmarktabellerna för 2026 belönar alltmer de ingenjörer som bygger ställningarna.

Ligg före AI

Agentarkitekturer rör sig snabbare än någonsin, och gapet mellan en bra sele och en dålig mäts nu i benchmarkpoäng och riktiga dollar. Följ AI Buzz Wire för daglig, källverifierad täckning av AI-forskning, benchmarks och produktlanseringar.

Läs mer AI-forskningsnyheter →