NVIDIA 在 2026 年 8 月 21 日的開發者部落格文章公布了一個搶眼結果：該公司的 AVO（Agentic Variation Operators）代理系統在互動推理基準 ARC-AGI-3 的公開測試集上拿到 100.00 RHAE，解完全部 25 個環境、183 個關卡，只用了 6,624 個環境動作。作為對照，同一基準上 Claude Opus 5 單模型在高推理設定的成績約 30%（ARC Prize 數字）。要注意的是，AVO 不是 NVIDIA 訓練的新模型，而是套在前沿 LLM 外面、為長時程自主任務設計的代理系統。
ARC-AGI-3 在考什麼
ARC-AGI-3 是 ARC Prize 團隊推出的第一個互動推理基準，設計前提刻意嚴苛：代理面對的是沒有說明書的遊戲環境，不給規則、不給目標，只能靠探索推論玩法，並在有限行動預算內學會通關。官方強調所有環境都「100% 可由人類解開」，分數衡量的是相對於人類首次遊玩基準的效率（RHAE），重點在技能習得效率與長時程規劃，而不是靜態答題。
換句話說，它考的不是模型知道什麼，而是「面對全新環境，能不能自己學會」——這比選擇題式的考卷更接近產品所說的代理。也要留意成績範圍：這次滿分只涵蓋公開測試集，半私有與私有競賽集不在此列；題目公開之後就會被研究透徹，這是所有基準的共同命運。
AVO 的三個關鍵設計
第一是監督者架構：在主代理迴圈之外，另有一位監督者盯著整條搜尋軌跡，偵測到進度停滯就介入——這是對抗自主代理最容易卡死的迴圈問題的機制。第二是持續記憶體：實作、結果與推理過程跨越上下文視窗累積，後面的嘗試不必從零開始。第三是純文字觀察：每個狀態以 64x64 文字網格呈現，不送任何圖片；動作同樣不附規則與目標。
成績之外還有效率：VISTA 系統同樣以 Claude Opus 5 在這 183 關拿滿分，但用了 7,542 步，AVO 的 6,624 步少了約 12%。工程細節也值得一提：團隊在 DGX B200 上跑了為期七天的注意力核心最佳化，探索 500 多個方向，最終核心比 cuDNN 快最多 3.5%、比 FlashAttention-4 快最多 10.5%。
模型不是整個代理
NVIDIA 的總結寫得很直白：「模型很重要，但模型不是整個代理。」同一個 Opus 5 家族模型，單獨上陣約 30%，放進 AVO 之後拿滿分。作者誠實地說，這不是嚴格控制變因的消融實驗，但方向夠清楚：長時程自主能力來自記憶、工具、回饋與恢復機制的系統整合，而不是單一模型的推理分數。
初步測試還有個有趣的細節：GPT-5.6 Sol 在部分遊戲上用時更短，Opus 則動作數更少——「快」和「省」在代理評測裡是兩個不同的軸，把它們壓成一個數字的排行榜會掩蓋真實的取捨。
對評測與開發者的意義
對做 AI 產品的人，這是選型方法的提醒：模型評測不等於代理評測，採購時該比較的是「模型加上 harness」的整體成績，因為同一顆模型在不同系統裡可以差出一個世代。對基準設計者，公開集被解滿意味著下一輪題目得更快更新，私有集與持續換題會變成常態。對整個行業，這次結果則把「模型之上的工程」量化了：從 30 分到 100 分的距離，是活在權重之外的代理系統工程。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。