摘要： NVIDIA 於 2026 年 8 月 21 日公布 AVO 代理系統在 ARC-AGI-3 公開測試集取得 100.00 RHAE，解開 25 個環境、183 個關卡，只花 6,624 個動作。它不是新模型，而是以監督者、持續記憶和純文字觀察組成的前沿模型外層系統，成績僅限公開測試集。
NVIDIA 在 2026 年 8 月 21 日透過開發者部落格公布了一項搶眼成績：旗下的 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，把全部 25 個環境、183 個關卡解完，總共只花了 6,624 個環境動作。拿來對照的是：同一基準上，Claude Opus 5 以單一模型在高推理設定出賽，成績約 30%（ARC Prize 的數字）。有個前提不能漏掉——AVO 並不是 NVIDIA 訓練出來的新模型，它是一層套在前沿 LLM 外面、為長時程自主任務量身打造的代理系統。
ARC-AGI-3 究竟在測什麼
ARC-AGI-3 是 ARC Prize 團隊推出的第一個互動推理基準，設定前提刻意嚴苛：代理面前擺著的是沒有說明書的遊戲環境，規則不給、目標也不給，只能靠來回探索推敲出玩法，並在有限的行動預算內學會把關卡打通。官方特別強調，所有環境都「100% 可由人類解開」，而分數採 RHAE，衡量的是相對於人類首次遊玩基準的效率——看重的是技能習得效率與長時程規劃，而不是靜態答題。
換句話說，它問的不是模型腦中裝了多少知識，而是「碰上一個全新環境，能不能靠自己把它學會」——這比選擇題式的考卷更貼近產品語境裡所說的代理。成績的適用範圍也得留意：這次的滿分只涵蓋公開測試集，半私有與私有競賽集並不在列；而且題目一旦公開，遲早會被研究到透徹，這是所有基準共同的命運。
AVO 的三個關鍵設計
第一項是監督者架構：在主代理迴圈之外另設一位監督者，盯住整條搜尋軌跡，一旦偵測到進度停滯就出手介入——自主代理最容易卡死在迴圈裡，這正是對治它的機制。第二項是持續記憶體：實作、結果與推理過程會跨越上下文視窗累積下來，後面的嘗試因此不必從零起跑。第三項是純文字觀察：每個狀態都以 64x64 的文字網格呈現，不傳送任何圖片；動作端同樣不附規則與目標。
成績之外，效率也值得一看：VISTA 系統同樣以 Claude Opus 5 在這 183 關拿到滿分，但動用了 7,542 步，比 AVO 的 6,624 步多出約 12%。工程細節同樣值得一提：團隊在 DGX B200 上進行了為期七天的注意力核心最佳化，探索 500 多個方向，最終做出的核心比 cuDNN 快最多 3.5%、比 FlashAttention-4 快最多 10.5%。
模型不是整個代理
NVIDIA 的總結下得相當直白：「模型很重要，但模型不是整個代理。」同屬 Opus 5 家族的模型，獨自上陣約 30%，裝進 AVO 之後就是滿分。作者自己也誠實說明，這並不是嚴格控制變因的消融實驗，但方向已經夠清楚：長時程的自主能力，來自記憶、工具、回饋與恢復機制整合出的系統，而非單一模型的推理分數。
初步測試還留下一則耐人尋味的細節：GPT-5.6 Sol 在部分遊戲上耗時更短，Opus 則是動作數更省——在代理評測裡，「快」與「省」是兩條不同的軸，硬把兩者壓縮成單一數字的排行榜，只會把真實的取捨蓋掉。
對評測與開發者的意義
對做 AI 產品的人而言，這是一則關於選型方法的提醒：模型評測不等於代理評測，採購時該比的應是「模型加上 harness」的整體成績，因為同一顆模型擺進不同系統，落差可以到一個世代。對基準設計者來說，公開集被解滿等於宣告下一輪題目必須加快更新，私有集與持續換題將成為常態。對整個行業而言，這次結果則把「模型之上的工程」給量化了：從 30 分走到 100 分的那段距離，就是活在權重之外的代理系統工程。