英伟达AI刷爆ARC-AGI-3！AVO Harness架构让Agent从30%飙升到100%

关键词：NVIDIA AVO、ARC-AGI-3、Agent Harness、持久化记忆、分层监督、自主推理

---

目录

• 一、导语：为什么这条消息值得关注
• 二、ARC-AGI-3到底是什么？最严苛的AGI测试
  • 2.1 不是什么
  • 2.2 是什么
  • 2.3 为什么这么难
• 三、核心揭秘：AVO如何把30%拉到100%
  • 3.1 AVO架构全景图
  • 3.2 持久化记忆：跨会话的"经验积累"
  • 3.3 分层监督：防止Agent"钻牛角尖"
  • 3.4 迭代循环：检查→规划→执行→评估
  • 3.5 与原生模型的性能对比
• 四、实际影响与适用场景
  • 4.1 对个人开发者
  • 4.2 对企业/团队
  • 4.3 对AI生态
• 五、冷静视角：边界、风险与未解问题
• 总结

---

一、导语：为什么这条消息值得关注

2026年8月21日，NVIDIA官方博客发布重磅消息：其研发的 AVO (Agentic Variation Operators) 系统在 ARC-AGI-3 基准测试中达到 100% RHAE 分数，成功通关全部 183 个关卡，跨越 25 个陌生环境——而作为基础模型的 Claude Opus 5 单独测试时仅得 30.2%。

这个结果的震撼之处在于：差距并不来自换了更大的模型，而是来自模型之外的系统架构设计。AVO 通过引入持久化记忆、分层监督、迭代循环等机制，将同一模型的推理能力放大了 3倍以上。对于正在构建 AI Agent 的开发者来说，这意味着"模型能力不是天花板，Harness 设计才是"；对于企业用户，这提示我们在选择 Agent 方案时应该更关注系统工程而非单纯追求参数规模；对于研究者，AVO 为"如何让 LLM 在长周期任务中保持高效推理"提供了一个可复现的工程范式。

二、ARC-AGI-3到底是什么？最严苛的AGI测试

2.1 不是什么

ARC-AGI-3 不是：

• 一个传统的 NLP 基准测试（如 MMLU、GSM8K 那样有标准问答格式）
• 一个图像识别任务（不依赖预训练视觉模型的知识迁移）
• 一个有明确规则和目标说明的任务（Agent 进入环境时完全"蒙在鼓里"）
• 一个可以通过暴力搜索或穷举解决的简单谜题（状态空间指数级爆炸）

2.2 是什么

ARC-AGI-3 (Abstraction and Reasoning Corpus for AGI, Version 3) 是由 ARC Prize Foundation 于 2026年3月25日 发布的交互式推理基准测试，专门用于衡量 AI 的类人通用智能能力。

它的核心设定是：

• Agent 被丢进一个 64×64 像素的网格游戏世界（类似简单的 2D 游戏）
• 没有规则说明书、没有任务提示、没有目标描述
• Agent 必须通过自主试错、观察反馈、总结规律来理解环境运作方式
• 每个环境包含多个关卡（level），Agent 需要找到通关条件并达成
• 测评指标是 RHAE (Relative Human Action Efficiency)，即相对于人类最优解的动作效率比

公开集包含 25 个环境、183 个关卡，涵盖逻辑推理、模式识别、空间操作、因果推断等多种认知能力。

2.3 为什么这么难

ARC-AGI-3 的难度体现在三个维度：

1. 零样本泛化要求：每个环境的规则都是全新的，无法通过训练数据覆盖
2. 长程推理压力：部分关卡需要数十甚至上百步才能发现规律并完成目标
3. 探索效率约束：动作次数直接影响得分，盲目试错会导致低分

这也是为什么顶级前沿模型在这个测试上的表现如此惨淡：

AI 系统	ARC-AGI-3 得分	备注
NVIDIA AVO + Claude Opus 5	100% ✅	全部 183 关通关
Claude Opus 5 (原生)	30.2%	Anthropic 当前最强模型
Claude Opus 4.8 (High)	1.5%	花费 $10,000/任务
GPT-5.4 (High)	0.26%	OpenAI 前沿模型
GPT-5.5 (High)	0.4%	OpenAI 更新版本
Grok-4.20 (Beta)	0.00%	xAI 模型完全失败

数据来源：ARC Prize 官方 Leaderboard 及 NVIDIA 博客 (2026年8月)

（上图：ARC-AGI-3 性能对比图，NVIDIA AVO 以 100% 完成率碾压所有顶级大模型）

三、核心揭秘：AVO如何把30%拉到100%

3.1 AVO架构全景图

AVO (Agentic Variation Operators) 是 NVIDIA 开发的通用型 Agent 系统架构，专为长周期自主任务设计。它不是一个新的语言模型，而是一套围绕现有 LLM 构建的 Harness（套索/框架系统）。

（上图：AVO 系统架构图，展示了主 Agent、监督器、记忆系统、工具库四大核心组件及其交互关系）

AVO 的核心组件包括：

组件	功能	技术实现
主 Agent	执行具体推理和行动	基于 Claude Opus 5，负责环境交互
监督器 (Supervisor)	监控整体进度，防止死循环	独立 Agent，可介入纠正方向
持久化记忆	跨步骤保留关键发现	结构化存储（SQLite），支持读写
工具与技能库	提供环境交互接口	任务特定的 API 封装
错误检测模块	实时监控执行偏差	反馈循环机制

3.2 持久化记忆：跨会话的"经验积累"

这是 AVO 与原生 LLM 最大的区别之一。

传统 LLM 的局限：

• 每次调用都是无状态的（stateless）
• 上下文窗口有限，早期发现容易被遗忘
• 无法跨关卡复用已验证的规律

AVO 的解决方案：

• 使用外部持久化存储（如 SQLite 数据库）
• 将关键发现以结构化形式保存（环境规则、有效策略、失败教训）
• 在后续步骤中主动检索相关记忆，避免重复探索

举个例子：如果 Agent 在第 5 关发现"红色方块碰到蓝色区域会触发传送"，这个规律会被写入记忆库。当第 15 关出现类似机制时，Agent 可以直接调用该假设进行验证，而不是从头摸索。

3.3 分层监督：防止Agent"钻牛角尖"

长周期任务中，Agent 很容易陷入局部最优或死循环——反复尝试同一条错误路径而不自知。

AVO 引入了分层监督机制 (Hierarchical Supervision)：

工作层级 (Worker Agent)
├── 负责具体的观察、推理、行动执行
├── 关注当前步骤的细节优化
└── 向监督器汇报进度和异常

监督层级 (Supervisor Agent)
├── 监控全局搜索轨迹
├── 检测重复模式或停滞信号
├── 在必要时强制调整策略（如"换个思路试试X方向"）
└── 管理资源预算（总步数上限、时间限制）

这种设计类似于公司里的"员工+经理"关系：员工专注执行，经理把控方向。在 ARC-AGI-3 测试中，监督器帮助 AVO 避免了大量无效探索，使得总动作数比之前的 VISTA 系统少了 12%（6,624 vs 7,542）。

3.4 迭代循环：检查→规划→执行→评估

AVO 的核心工作流程是一个闭环迭代过程：

（上图：AVO 从零开始到完成任务的完整工作循环）

每个循环包含四个阶段：

1. 环境观察 (Inspect)：获取当前帧的状态信息
2. 规划决策 (Plan)：基于历史记忆和当前状态形成假设
3. 行动实施 (Implement)：执行选定的动作
4. 结果评估 (Evaluate)：分析反馈，更新记忆库

关键点在于：每次循环都会更新记忆和策略，而不是简单地重试。这使得 Agent 具备真正的"学习能力"，而非随机搜索。

3.5 与原生模型的性能对比

为了量化 AVO 各组件的贡献度，我们从技术维度进行了拆解：

（上图：左图为 AVO vs 原生 LLM 在五项关键能力上的对比；右图为各组件的重要性评分）

核心洞察：

• 迭代循环机制贡献最大（95分），它是整个系统的引擎
• 持久化记忆（92分）解决了长程推理中的信息丢失问题
• 分层监督（88分）显著提升了探索效率
• 即使只加入基础的工具库和错误检测，也能带来明显提升

四、实际影响与适用场景

4.1 对个人开发者

能不能上手？

• AVO 的核心思想（持久化记忆、分层监督、迭代循环）是通用的工程模式，可以用在任何 LLM 框架上
• NVIDIA 已开源相关技术细节（见官方博客和论文），可以参考实现简化版

学习成本？

• 中等偏高。需要理解 Agent 设计模式、状态管理、反馈控制等概念
• 但一旦掌握，可以应用到代码生成、数据分析、自动化测试等多种场景

快速起步建议：

from typing import TypedDict, List
import sqlite3

class AgentMemory(TypedDict):
    observations: List[str]
    hypotheses: List[str]
    verified_rules: List[str]
    failed_attempts: List[str]

class SimpleAVO:
    def __init__(self, model, memory_db: str = "agent_memory.db"):
        self.model = model
        self.conn = sqlite3.connect(memory_db)
        self._init_memory_table()
    
    def _init_memory_table(self):
        self.conn.execute("""
            CREATE TABLE IF NOT EXISTS memories (
                id INTEGER PRIMARY KEY AUTOINCREMENT,
                content TEXT,
                category TEXT,
                created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
            )
        """)
    
    def run_loop(self, environment, max_steps: int = 100):
        for step in range(max_steps):
            state = environment.observe()
            relevant_memory = self._query_memory(state)
            
            action = self.model.decide(state, relevant_memory)
            result = environment.execute(action)
            
            self._update_memory(state, action, result)
            
            if result.is_terminal:
                return result
        
        return None  # 达到步数上限
    
    def _query_memory(self, state: str) -> List[str]:
        cursor = self.conn.execute(
            "SELECT content FROM memories WHERE category IN ('rule', 'hypothesis')"
        )
        return [row[0] for row in cursor.fetchall()]
    
    def _update_memory(self, state, action, result):
        if result.success:
            self.conn.execute(
                "INSERT INTO memories (content, category) VALUES (?, ?)",
                (f"In state '{state}', action '{action}' worked", "verified_rule")
            )
        else:
            self.conn.execute(
                "INSERT INTO memories (content, category) VALUES (?, ?)",
                (f"Action '{action}' failed in state '{state}'", "failed_attempt")
            )
        self.conn.commit()

（以上为伪代码示例，展示 AVO 核心思想的简化实现）

4.2 对企业/团队

能否替代现有方案？

• 如果你的 Agent 应用涉及多步骤、长周期任务（如自动化测试、数据处理流水线、代码重构），AVO 的架构思想值得借鉴
• 对于简单的一问一答场景（客服机器人、摘要生成），过度设计反而增加复杂度

接入成本与风险？

• 成本：中等。主要投入在架构设计和记忆管理上，不需要更换底层模型
• 风险：较低。AVO 本身是对现有 LLM 的增强，即使效果不佳也可以回退到原生方案

实际案例参考：
NVIDIA 在发布 AVO 之前，已在自动 GPU 内核优化任务上验证了该架构：同一系统连续运行 7 天，探索了 500 多个内核优化方向，提交了 40 个版本，部分配置的性能超过了手工优化的 FlashAttention 实现。这说明 AVO 不仅适用于游戏式基准测试，在真实的工程优化场景同样有效。

4.3 对AI生态

填补了哪块空白？

• 当前 Agent 研究过于关注"模型能力提升"（更大的参数、更多的训练数据）
• AVO 证明了系统工程同样重要：好的 Harness 可以让中等模型发挥出顶尖水平
• 为"如何评估 Agent 系统"提供了新视角：不应只看模型得分，还要看完整系统的表现

可能冲击谁？

• 纯模型厂商（OpenAI、Anthropic 等）：客户可能不再单纯追求最新模型，而是关注如何用好现有模型
• Agent 框架开发商（LangChain、AutoGen 等）：AVO 的设计理念可能会被整合进下一代框架
• Benchmark 设计者：ARC-AGI-3 可能需要升级，因为 AVO 已经"刷爆"了当前版本

五、冷静视角：边界、风险与未解问题

尽管 AVO 的成绩令人瞩目，但作为理性观察者，我们需要看到以下几点：

1. 评测范围的局限性

• ARC-AGI-3 目前只有 25 个公开环境、183 个关卡，样本量相对有限
• 这些环境都是网格世界的抽象谜题，与现实世界的复杂性仍有距离
• NVIDIA 尚未公布在私有测试集上的表现（ARC-AGI-3 包含隐藏环境）

2. 计算成本问题

• AVO 在达到 100% 通关率的过程中，使用了 6,624 次环境动作
• 虽然比 VISTA 少 12%，但相比人类玩家的几百步仍然昂贵
• 如果按 API 调用计费，单个任务的成本可能高达数千美元

3. 泛化性待验证

• AVO 在 ARC-AGI-3 上表现出色，但这是否能迁移到其他领域？
• 例如：代码生成、科学实验设计、商业决策支持等场景是否同样有效？
• 目前缺乏跨领域的系统性评估

4. 团队背景引发的讨论

• AVO 团队成员包括 Terry Chen、Yeyin (Eva) Zhu、Zhifan Ye、Humphrey Shi 等，其中多位是华人研究者
• NVIDIA 整体研发团队中华人占比约 40%（据公开报道）
• 这再次引发了关于"全球 AI 人才分布"和"华人学者贡献"的话题讨论

5. 与其他方案的对比缺失

• 目前 NVIDIA 只公布了与 VISTA 的对比，缺少与其他 Agent 框架（如 LangGraph、CrewAI）的直接比较
• 社区期待看到更多第三方复现和独立评测

6. 时间效率未披露

• NVIDIA 公布了动作次数，但未披露总耗时
• 如果一个任务需要运行数小时甚至数天，在实际应用中的实用性会打折扣

总结

这件事的核心价值：NVIDIA AVO 用 100% 的通关率证明了一个被长期忽视的观点——在 Agent 系统中，Harness（系统架构）的设计可能与模型本身同等重要。通过持久化记忆、分层监督、迭代循环等工程手段，AVO 将 Claude Opus 5 的推理效能放大了 3 倍以上。

谁应该关注：

• 正在构建复杂 Agent 应用的开发者和架构师
• 对 AGI 基准测试和评估方法论感兴趣的研究者
• 寻找 AI 投资方向的企业决策者（提示：不要只看模型参数，要看系统工程能力）

下一步怎么看：

• 短期：关注 NVIDIA 是否开源 AVO 的完整实现（目前只发布了论文和博客）
• 中期：等待社区在更多场景下的复现和对比测试
• 长期：观察这种"Harness-first"的设计理念是否会成为 Agent 工程的主流范式

对于普通开发者而言，即使暂时无法直接使用 AVO，其设计思想已经为我们提供了宝贵的参考：与其等待下一个 GPT，不如先把手头的模型用到极致。

---

#NVIDIA #AVO #ARC-AGI-3 #Agent #AI智能体 #持久化记忆 #AGI基准测试