8 月 21 日，Nvidia 研究者用自研的 AVO（Agentic Variation Operators）agent 架构，让 Claude Opus 5 在交互推理基准 ARC-AGI-3 上取得 100%，通关公开集全部 25 个环境、183 个关卡。同一模型使用官方通用配置时，成绩为 30.2%，是截至 7 月 24 日的榜单最高分。AVO 并非首个满分系统：MIT 的 VISTA、基于程序化世界模型的 Tycho，都已经用 Opus 5 做到 100%。三个团队的结果共同说明，评估长任务能力时，还需要看模型如何使用记忆、监督与工具。这套配套系统通常称为 harness；它会影响表现，但不能据此认定模型本身已不再重要。
两项成绩使用不同配置，不能直接相减
ARC-AGI-3 是 ARC Prize 推出的交互推理基准：agent 进入一个没有说明、没有规则、没有明示目标的 2D 游戏，只能通过「动作—观察」逐步推断规则与目标，并尽量少消耗动作。评分用 RHAE（Relative Human Action Efficiency，相对人类动作效率）：完成一个关卡时，(人类基线动作数 ÷ agent 动作数)² 即该关卡得分，越靠后的关卡权重越高，单关卡封顶 1.15 倍。100% 意味着通关所有关卡，且效率不输首次游玩的人类。
在官方通用配置下，Claude Opus 5（High）在榜单上拿到 30.2%，是截至 7 月 24 日的最高分。它在 AR25、FT09 等五个游戏里已经单局满分，但在另一些游戏中没有得分，汇总成绩只有三成。使用 AVO 后，同一模型满分通关。
30.2% 与 100% 的对比，并非控制其他条件后、只改变 AVO 的实验。Nvidia 在博客里明说，两者的推理设置、观察表示、上下文管理都不同，不能把差值直接算作「AVO 的贡献」。榜单测试的是「模型 + 官方通用 harness」，100% 则来自另一套完整 agent 系统，比较时需要考虑配置差异。
AVO 从哪来：先优化 GPU 内核，再玩交互游戏
AVO 不是为 ARC-AGI-3 设计的。它最初是 Nvidia 的 GPU 内核自动优化系统：连续运行七天，探索 500 多个优化方向、提交 40 个内核版本，最终多注意力内核在 DGX B200 上比 FlashAttention-4 快至多 10.5%、比 cuDNN 快至多 3.5%。随后团队把同一个架构接到 ARC-AGI-3 的任务接口上——底层 agent 没变，只换了环境专用的工具。
AVO 主要依靠两个机制持续工作。一是持久记忆：把先前的实现、评测结果、编译器与 profiler 输出、累积的推理都带出单次上下文，让 agent 从当前状态续跑，而不是每次重新摸索。二是监督者 agent：监视主 agent 是否陷入停滞或重复无效循环，在主 agent 偏离任务时进行纠正。Nvidia AI 部门产品副总裁对 TechCrunch 的比喻是，监督者「几乎像 CEO，在 agent 走偏或钻进死胡同时推它一把」。
在 ARC-AGI-3 上，AVO 走的是「直接交互」路线：模型只接收 64×64 的文本网格，没有图像 token，也没有为基准专门写程序化世界模型——这与 Tycho 的「可执行世界模型」路线相反。结果是 6624 个环境动作通关，比同为直接交互路线、但用 512×512 视觉输入的 VISTA 少约 12%。
配套系统也会改变模型得分和任务成本
其他团队也报告了 harness 对结果的影响。7 月 29 日，OpenAI 公布了自己的复盘：GPT-5.6 Sol 在 ARC-AGI-3 上最初只拿 7.8%，官方通用 harness 下是 13.3%；只打开「保留推理」和「上下文压缩」两个 API 设置后，涨到 38.3%，输出 token 用量还降至原来的约六分之一。OpenAI 的结论是，问题出在 harness 丢弃了每步动作后的私有推理、并用滚动截断抹掉了早期历史，而不是模型不够聪明——它估计首次游玩的人类平均也才 48%。
Databricks 在 7 月给出的是成本维度的证据：在自家数百万行代码库的基准上，同一个模型配不同 harness，任务成本可差 2 倍以上，质量不变。差异主要来自每个回合喂给模型多少上下文——简单的 Pi 每轮只送约三分之一上下文，反而更快更省。
这些案例分别涉及游戏得分、上下文保留和任务成本，说明模型之外的系统配置也应纳入评估。
开发者应同时比较模型与上下文管理方式
选择 agent 时，除了模型，还需要比较其配套系统。对需要多步执行、持续运行并能恢复任务的团队，应检查记忆如何跨上下文保留、上下文如何压缩、是否有监督机制，以及工具如何接入运行环境。这些调整可能比更换模型更有效，具体收益仍需按任务验证。Databricks 内部据此把一部分日常任务从最贵模型下放到更小模型；Nvidia 则把 AVO 的立场延伸成商业主张——推动「开放 agent 栈」，让用户对 harness、基础设施和运行时都保有控制权。需要说明的是，AVO 目前是研究项目而非产品，Nvidia 的相关组件多挂在 NeMo 品牌下，部分是开放的。
满分仅覆盖公开集，内部推理成本未计入评分
解读结果需要保留四项限定。第一，100% 只覆盖 25 个环境的公开集，不含半私有与私有竞赛集，不能外推为「解决了 ARC-AGI-3 全部」。第二，满分存在被 harness 过度拟合的风险：当评分只数环境动作、不数内部推理与只读检查时，一个把探索成本外包给工具的架构天然占优——这是基准设计层面的问题，也会影响如何解读多个满分系统的成绩。第三，监督者 agent 不是新概念，AVO 的增量在于把记忆与监督做成通用组件并跨域复用，而不是提出全新范式。第四，Nvidia 的叙事自带立场：它卖的是整套算力与开放工具链，「harness 才是主角」对它有利，读者应把这一层与实验事实分开看。
