NVIDIA AVO 在 ARC-AGI-3 公开集拿下 100.00 RHAE，183 关全通

8 月 21 日，宣布其 Agentic Variation Operators（AVO）智能体架构在 ARC-AGI-3 公开集取得 100.00 RHAE 分数：使用 Claude Opus 5 完成全部 25 个环境、183 个关卡，共消耗 6,624 次环境动作。博客给出的参照是：后者用 Claude Opus 5 完成同样的 183 个公开关卡，报告了 7,542 次环境动作，AVO 少用约 12%。

博客用这组数字支撑一个主张：模型能力不等于智能体表现。它援引称，该模型在 ARC-AGI-3 上只有约 30% 的成绩，而同一模型装进 AVO 系统后拿到满分。持久记忆、监督、工具使用这类系统级设计，才是把前沿模型转成长时程自主性能的关键。这些成绩全部出自 NVIDIA 官方博客，目前可核实的口径只有这一份。

6,624 次动作通关 183 关，比 VISTA 少 12%

ARC-AGI-3 是交互式推理基准：智能体进入陌生的游戏环境，没有指令、没有明示规则、没有陈述目标，只能通过互动推断环境机制、发现目标，并在越来越难的关卡中保持效率。公开 Demo 集共 25 个环境，如此划分。计分采用 RHAE（Relative Human Action Efficiency，相对人类动作效率），按，该指标把任务完成度与逐关动作效率结合起来，相对首次游玩的人类基线计分，再跨关卡、跨环境汇总：未完成的关卡得 0 分，完成但动作不够省的关卡只得部分分。

博客对成绩的表述有明确边界：100.00 RHAE 是 25 环境公开集、官方记分卡与 RHAE 指标下的结果，不是 semi-private 或 fully private 竞赛集上的结果。博客的编辑注还说明，团队更新了措辞，以便更精确地区分公开集与半私有、私有竞赛集。

对 12% 的效率差，博客自己也划了线：这不应被解读为受控消融实验，两套系统在智能体后端、观察表征、记忆、上下文管理等方面都不同。另一个背景是，VISTA 的项目页面同样报告 Claude Opus 5.0 以 100% 胜率完成全部 25 个公开游戏、拿到完美的 100 RHAE，且比首次游玩的人类玩家少用 56.0% 的动作。满分本身并非新纪录；NVIDIA 声称的新东西，是更省的动作数和同一架构跨领域迁移这件事。

持久记忆与监督者：长时程运行的两根支柱

AVO 是 NVIDIA 开发的通用编码智能体系统，能检查、编辑代码，运行命令，查阅文档，并通过执行验证自己的工作。博客强调，它的区别性设计是跨长时程的持续自主运行，其中两个机制最关键。

持久记忆把先前的实现、评测结果、编译器与 profiler 输出、累积的推理过程保留下来，让智能体从当前状态继续推进，而不是反复重建搜索。监督者则监控整体搜索轨迹，当进展停滞或陷入重复无效循环时介入，把主智能体引向替代策略。

这套设计在 ARC-AGI-3 上的适配方式是：同一个智能体换一个任务接口，底层 agent 不变，只换环境专用工具与评测。与 VISTA 接收 512×512 PNG 渲染图不同，AVO 配置下模型只处理文本：每帧观察是精确的 64×64 文本网格，不发送任何图像或图像 token；智能体只拿到可用动作，没有规则或目标的描述。博客称，AVO 没有像 Tycho 那样构建显式可执行的世界模型，而是采纳 VISTA 描述的 direct-interaction 设计原则、独立重实现了任务接口；agent 后端与 VISTA 根本不同，后者通过 Claude Code 或 Codex 实例化 harness。

从 GPU 内核优化到交互推理：同一套循环

ARC-AGI-3 不是 AVO 的第一个任务。博客介绍，AVO 最早在困难的软件工程与 GPU 内核优化任务上验证：在注意力内核研究中，系统连续运行七天，探索超过 500 个优化方向，提交了 40 个内核版本；在 NVIDIA DGX B200 上，最终的多头注意力内核在评测配置中最高比 cuDNN 快 3.5%、比 FlashAttention-4 快 10.5%。之后，智能体又花了约 30 分钟，把进化出的内核适配到 grouped-query attention。

博客把两个任务摆在一起，是为了说明迁移的到底是什么：GPU 优化的反馈来自编译器、测试、profiler 和性能基准，ARC-AGI-3 的反馈来自环境状态转移与动作结果，接口不同，但核心循环相同——从残缺证据形成假设、通过外部接口行动、观察后果、保留有用状态、修正对问题的理解、从错误假设中恢复、在长时程里持续推进。迁移的不是领域知识，而是让推理与反馈随时间累积的那套机制。

模型 30% 与系统 100% 之间隔着什么

ARC Prize 的评测页面显示，Claude Opus 5 在 High 推理档位下 ARC-AGI-3 得分 30.16%，是截至 2026 年 7 月 24 日 ARC-AGI-3 上得分最高的模型；由于测试窗口短，ARC-AGI-3 只评估了 High 档位。NVIDIA 博客的解读是，同一个模型家族放进 AVO 系统后拿到 100.00 RHAE，说明评估模型不等于评估智能体。

博客同时声明，这两组数字不应被解读为对 AVO 性能贡献的直接测量。NVIDIA 的运行用了不同的推理设置、完全不同的智能体系统和评测设置。它还做了跨模型的初步配对：在挑战性子集上把 AVO 与 GPT-5.6 Sol 组合，多个关卡中 Sol 的墙钟时间更快，而匹配关卡对比中 Opus 的环境动作更少；博客称这显示出互补的运行特征，系统性对比留待未来工作。

183 关之外：这份成绩只覆盖公开集

成绩单的边界在博客里写得很清楚：结果只覆盖 25 环境公开集，半私有与私有竞赛集不在其中；AVO 记忆系统在长时程上的单独贡献，也没有被这个实验隔离出来。博客还附上了配套论文《AVO: Agentic Variation Operators for Autonomous Evolutionary Search》（）。

至此，可核实的事实止步于 NVIDIA 的自报口径：公开集 183 关、6,624 次动作、100.00 RHAE。公开集之外的两套非公开关卡、记忆组件贡献的隔离、跨系统对比的受控验证，博客都没有给出答案。