NVIDIA 智能体 AVO 拿下 ARC-AGI-3 满分：183 关全通

很多人以为要把 AI 变成真正的自主代理，关键全在底层那个基座大模型有多强。但 NVIDIA 最近做的一个实验，给出了完全不同的解法。

他们把同一个 Claude Opus 5 套进自家的通用代理架构 AVO 里，直接在极其苛刻的交互式推理基准 ARC-AGI-3 公开数据集上拿下了 100 分的满分，通关了全部 25 个环境里的 183 个关卡。而如果只看 ARC Prize 官方此前给出的测试，Claude Opus 5 单模态在高推理设置下的基线成绩其实只有 30% 左右。

连续写七天代码的架构，跑去盲打通关游戏

AVO 的全称叫 Agentic Variation Operators，最初并不是用来打游戏的。NVIDIA 最早开发它，是为了解决 GPU 底层算子优化的难题。

在那个需要硬核调优的场景里，AVO 在 NVIDIA DGX B200 上连续自主跑了整整七天。它自主探索了超过 500 个优化方向，提交了 40 个可用版本，最终搞出的注意力算子比 FlashAttention-4 还快 10.5%，比 cuDNN 快 3.5%。随后它只花了半小时，就把这套算子适配到了 GQA 分组查询注意力上。

后来 NVIDIA 团队做了一件很大胆的事：底层的 AVO 架构一行没动，直接把它接到了 ARC-AGI-3 的测试接口上。

这个基准出了名的反常识。AI 被扔进一个完全陌生的类游戏环境，没有任何操作说明，没有游戏规则，甚至连目标是什么都不告诉你。AI 只能靠不断试错，自己摸索出动作反馈，再一层层通关。

NVIDIA 发现，底层写 GPU 汇编和上层盲打通关游戏，本质上的计算模式完全一样：都是从不完整的信息出发建立假设，用工具去执行，看反馈，记下经验，推翻错误判断，然后持续推進长任务。

纯文本网格、持久记忆和一个「监工」

更有意思的是输入方式。之前的竞争系统 VISTA 倾向于给模型喂 512x512 的渲染图像，而 AVO 在这次测试里采用的是纯文本输入，把每个状态都转成一个 64x64 的字符网格，没给模型传任何一个图像 token。

整个通关过程，AVO 一共花了 6,624 次环境交互。相比之下，同样使用 Claude Opus 5 的 VISTA 系统花了 7,542 次交互，AVO 的动作开销省了大约 12%。

能省下这 12% 的试错成本，关键在两套外围机制。

一个是持久化记忆。模型在前面关卡摸索出的逻辑、编译报错或环境物理规律，会被结构化地保留下来，下次遇到不用重新试一遍。另一个是独立的监督模块，这个「监工」专门在旁边盯着主代理，一旦发现它在原地打转、陷入无效死循环，就会强行插手，把它的探索方向拽回到正轨。

除了 Claude Opus 5，NVIDIA 还在一部分高难度关卡上换上了 GPT-5.6 Sol 做了对比。结果挺有意思：Sol 在实际物理耗时上更快，而 Opus 5 则在动作步数的使用上更克制。

为什么重要

这个成果最大的价值，在于狠狠击碎了「只靠刷基座模型上下文和参数就能解决长程任务」的幻想。

对于做 AI 产品的开发者来说，这指明了一条非常实在的路径：别整天等着下一代模型降临，把精力花在脚手架、记忆管理和死循环纠错上，哪怕用现有的前沿模型，也能把长任务的成功率从不可用的 30% 硬生生拉到及格线以上。

从行业竞争来看，NVIDIA 表面上在发论文，实际上是在为自家的硬件生态构筑护城河。他们证明了自主代理不仅能做日常业务，还能直接用来榨干自家的 DGX B200 算力。如果未来的算子优化都可以交给 AI 连轴转七天自动完成，硬件生态壁垒只会越来越深。

我们认为，AVO 这套做法最聪明的地方，就是彻底放下了为特定场景定制世界模型的执念。不管是写 CUDA 还是打砖块，核心都是「试错—记录—止损」的通用闭环。不过这套系统目前看起来依然非常依赖昂贵的前沿模型调用和极高频的交互测试，离普通开发者能在本地低成本跑起来，显然还有一段距离。