NVIDIA AVO 是一套讓 AI Agent 用持久記憶、工具回饋與監督器持續完成長任務的架構。 它搭配 Claude Opus 5，在 ARC-AGI-3 的 25 個公開環境完成 183 個關卡並取得 100.00 RHAE。評估長時間 Coding Agent 或自動化流程的工程團隊應該注意這個結果，因為它顯示 harness 會大幅改變表現；採購時仍要分開測模型與完整系統。
這個 100 分不能證明模型已經通過通用智慧測試，官方也明確說明它不涵蓋半私有或完全私有競賽集。更值得看的，是同一模型如何從 ARC Prize 頁面約 30% 的模型層結果，變成完整公開集解題系統。
兩邊的推理設定、觀察表示、記憶、工具與評測流程都不同，不能把 70 點差距全歸功於 AVO，也不能做直接的受控比較。
ARC-AGI-3 在測什麼
ARC-AGI-3讓 Agent 進入沒有說明、規則或明示目標的互動環境。Agent 要透過動作觀察變化、推測規則、保留狀態並用有限步數完成逐漸變難的關卡。
RHAE 方法同時考慮是否完成與相對初次遊玩人類的動作效率。因此 100 分不是百分之百像人，也不是所有推理題都答對；它表示在指定公開關卡與計分方法下達到完整分數。
| 官方結果 | 可以說 | 不可以推論 |
|---|---|---|
| 25 個公開環境、183 關全完成 | AVO 對公開集有效 | 私有集也一定滿分 |
| 6,624 次環境動作 | 比官方引用的 VISTA 7,542 次少約 12% | AVO 單一機制帶來全部差距 |
| Claude Opus 5 搭配 AVO | 完整系統表現強 | Claude Opus 5 單獨就是 100 分 |
| 64×64 文字網格觀察 | 文本介面可完成任務 | 真實視覺環境同樣可靠 |
AVO 如何完成長任務
NVIDIA 原文指出兩個核心：持久記憶保存過去實作、測試、錯誤與假設；監督器則在主 Agent 停滯或反覆走錯時，引導它改換方向。工具回饋讓每一步能用外部結果修正，而不是只靠模型在同一段上下文猜。
這個迴圈先用於 GPU kernel 最佳化。AVO 論文與官方文章記錄了搜尋方法；官方表示系統連續運作七天、探索 500 多個方向並提交 40 個版本。這些仍是 NVIDIA 自有硬體與研究設定下的結果，能支持「系統設計重要」，不足以保證任何企業流程都會得到相同效能。
企業該抄架構，不要抄分數
對長任務 Agent，可把測試拆成五項：跨 session 記憶是否正確、失敗後能否從檢查點恢復、工具結果是否真的驅動下一步、停滯多久會換策略、最後證據能否被人重播。這和上下文管理及多 Agent 協調是同一組工程問題。
我不建議用公開 benchmark 的單次滿分選模型或供應商。至少要用未公開的公司任務，固定工具與權限，分開測模型、記憶、監督器和工具介面；並依研究重現檢查表記錄版本、成本、失敗與人工介入。
常見問題
ARC-AGI-3 100 分代表 AGI 已經達成嗎？
不代表。這是指定 Agent 系統在公開互動關卡與 RHAE 方法下的成績，不能外推到所有工作、私有集或現實環境。
NVIDIA AVO 是模型還是 Agent？
AVO 是包在模型外的 Agent 架構，負責記憶、工具使用、監督與長時間迭代。這次完整公開集結果使用 Claude Opus 5 作為底層模型。
企業能直接使用 AVO 的 100 分做採購比較嗎？
不建議。採購要用自己的未公開任務，固定模型、權限與工具後做受控比較，還要量成本、延遲、失敗復原和人工介入。
參考來源
- NVIDIA Technical Blog：NVIDIA AVO Reaches 100% on ARC-AGI-3（2026-08-21）
- arXiv：AVO: Agentic Variation Operators for Autonomous Evolutionary Search（2026-03-30）
- ARC Prize：ARC-AGI-3（2026-08-24 查核）
- ARC Prize Documentation：Scoring Methodology（2026-08-24 查核）
- VISTA Research：A Visual Harness For Reasoning in an Interactive World（2026-08-24 查核）