研究 2026-08-22

模型单独跑只有 30%。套进英伟达的外壳后，同一个模型全部通关。

英伟达 8 月 21 日公布了 AVO（Agentic Variation Operators）的成绩：这套通用编程智能体系统在交互式推理基准 ARC-AGI-3 的公开集上，通关了全部 25 个环境中的全部 183 个关卡，在该基准衡量相对人类动作效率的指标上拿到 100.00 分。这些环境不给智能体任何说明、任何明示规则、任何目标，它必须靠玩来弄清楚这到底是什么游戏。负责思考的语言模型是 Anthropic 的 Claude Opus 5——同一个模型在高推理强度下单独运行时，在同一套题上大约只有 30%。AVO 用了 6,624 次环境动作，比此前最好成绩 VISTA 少约 12%。英伟达说明，这次运行只覆盖 25 个环境的公开集，不包括半私有或私有竞赛集。

为什么重要?两年来大家默认，进步要等下一个模型。这个结果说明，其中很大一部分现在可以来自你已经买得到的模型外面那层软件：记忆、规划、监督，以及一个会检查自己的活儿再重来一遍的循环。同一份权重没有重新训练，就从基准的三分之一走到了全部。这改变了工程力气该往哪里使，也让「这个产品用的是哪个模型」这个问题，变成对该产品实际能力弱得多的预测指标。

#编程 #AI智能体

✓ 已核实 · 3个来源

模型单独跑只有 30%。套进英伟达的外壳后，同一个模型全部通关。

相关新闻