NVIDIA AVO在ARC-AGI-3测试中获满分
Nvidia AVO scores 100% on the ARC-AGI-3 interactive reasoning benchmark
NVIDIA AI发布重磅消息，其通用编程代理NVIDIA AVO在ARC-AGI-3交互式推理基准测试中取得了100%的满分成绩。该代理在没有指令、明确规则或既定目标的情况下，成功完成了25个公共环境中全部183个关卡的挑战。NVIDIA AVO通过持续检查、规划、实施和评估，利用记忆、工具及执行反馈来积累经验，从而在长周期任务中保持持续进步，而非每次都在新上下文中重新开始。这一突破展示了AI在自主推理和复杂任务执行上的巨大潜力。
NVIDIA AVO在没有指令、明确规则或既定目标的情况下，自行摸索并完成了所有任务。
HN 评论区
39- mellosouls
原文的链接应该是这个：
https://developer.nvidia.com/blog/nvidia-avo-reaches-100-on-...
你会发现一个极其重要的限定条件：这是公开数据集，而非私有数据集（存在过拟合风险，即提交竞赛运行时结果无法复现），以及一个细节：这本质上只是给 Opus 5 加的一个 harness（执行框架），并非 Nvidia 自家的模型。
显然这依然令人印象深刻，你会这么想吧。
- woeirua
我以为 ARC-AGI-3 明确就是测试原始模型性能，排除 harness 的？把 harness 加回来并不能告诉我们任何新东西。我们早就知道，只要有足够的 harness，智能体就能进行长程推理。GPT-4(?) 在 18 个月前就能打败 Pokemon，而模型直到最近六个月才在不依赖 harness 的情况下做到这一点……？
- antinucleon
AVO 论文的作者（前 Nvidia 员工）就在这儿。这项工作半年前是为 GPU kernel 做的，现在同样的方法应用到了 ARC-AGI-3 上。我觉得大家还是在低估进化的进展；例如，最近我们做了一个自我进化的 harness，生成了整个推理栈，在各种任务上都优于 SGLang/vLLM：https://int21.ai/insights/addressing-the-inference-bottlenec...
- subzel0
100% 的分数是在 25 个公开数据集上取得的，而不是在半私有或私有数据集上。
- magicalhippo
博客文章：https://developer.nvidia.com/blog/nvidia-avo-reaches-100-on-...
使用的是 Claude Opus 5，但也可以用其他模型：
AVO 的设计初衷就是能在前沿模型上运行。虽然我们的完整公开集结果使用的是 Claude Opus 5，但我们还将 AVO 与 GPT-5.6 Sol 配对，在具有挑战性的游戏子集上进行了测试。在这些有限的实验中，Sol 在几种情况下以更快的墙钟时间达到了匹配水平，而 Opus 在匹配水平的比较中使用了更少的环境操作。这些初步结果表明不同模型具有互补的运行特征，我们将更广泛的系统比较留给未来的工作。