Nvidia 把 Claude 从 30% 推到 100%：真正决定 AI Agent 的，可能不是模型

先说结论

Nvidia 这次没有发布一个新模型，却把同一个 Agent 的分数从 30% 推到了 100%。

8 月 21 日公开的 AVO 研究，把 Claude Opus 5 放进一套更复杂的 Agent Harness：更好的记忆、工具循环，以及一个负责把主 Agent 从死胡同里拉回来的“监督者”。在 ARC-AGI-3 互动推理测试里，裸模型约 30%，加上这套 Harness 后达到 100%。

这不是“Claude 已经全面碾压所有模型”，也不是所有任务都会提升 70 个百分点。它真正证明的是：长任务的表现，很大一部分来自模型外面的执行系统。

发生了什么

Nvidia 把 Harness 定义为包住模型的工具、记忆、运行时和规则。它决定 Agent 如何读取上下文、调用工具、记录尝试、发现失败，以及什么时候重新规划。

这次研究使用的 Agentic Variation Operators（AVO）还加入了一个监督 Agent。主 Agent 负责解题，监督者则像一个小型项目负责人：当主 Agent 重复走旧路、偏离目标或卡住时，提醒它换方向。

ARC-AGI-3 是一组没有说明书的互动 2D 游戏。Agent 不能只生成答案，而要观察环境、猜规则、连续行动，再根据反馈修正策略。它很适合暴露长任务里的“记忆断裂”和“错误累积”。

最容易被误读的数字

TechCrunch 转述 Nvidia 的结果：Claude Opus 5 在不使用这套 Harness 时约为 30%，使用 AVO 后达到 100%。这组数字很大，但它来自 Nvidia 选择的一个基准和一套自研配置。

它不能直接说明：

• AVO 在真实软件工程里也会得到 100%；
• Claude Opus 5 综合能力已经超过其他模型；
• 普通用户只要换一个 Prompt 就能复制结果。

比较稳妥的事实是：同一模型换执行系统，结果会大幅变化。 OpenAI 今年早些时候也报告过，调整 ARC-AGI-3 的上下文保留和压缩策略后，GPT-5.6 Sol 的分数从 13.3% 升到 38.3%。两项研究不是同一套实验，但方向一致。

反转：模型价格可能也不是模型价格

Agent 运行成本不只由每百万 Token 决定。

如果 Harness 会反复读取文件、保存更长记忆、启动监督者、失败后重试，那么同一个模型在不同系统里可能消耗完全不同的 Token。Databricks 此前也指出，选错 Harness 可能让同一个模型的成本翻倍。

所以“便宜模型”与“昂贵模型”的比较，至少要改成：

• 每次任务消耗多少 Token；
• 多少次尝试后成功；
• 返工和人工审核花多少时间；
• 最后每个可合并结果要花多少钱。

这对开发者有什么用

如果你在做 Coding Agent、浏览器 Agent 或企业自动化，最值得先改的可能不是模型，而是四个环节：

1. 把关键状态写进可恢复的记忆，而不是只依赖上下文窗口。
2. 让工具返回结构化结果，减少 Agent 靠猜测理解失败原因。
3. 为长任务设置独立的检查者，发现重复动作时及时打断。
4. 记录每一步的成本、失败原因和最终是否需要人工返工。

这并不等于所有产品都需要多 Agent。监督层也会增加延迟、复杂度和成本。短问答、一次性代码补全可能根本不值得使用。

我们的判断

Nvidia 这项研究最重要的价值，不是证明某个模型拿了满分，而是把大家的注意力从“模型排行榜”推向了“完整 Agent 系统”。

这也解释了为什么同一个 Grok、Claude 或 GPT，在不同 Coding 工具里的体验会出现明显差异。模型是大脑，Harness 才决定它有没有记忆、手脚和刹车。

但目前仍然不能把 AVO 当作通用生产方案。结果来自厂商自研 Harness，测试规模有限，真实软件项目中的安全、权限和维护成本还没有被同等验证。

仍然要观察

• Nvidia 是否会公开足够代码，让外部团队复现实验。
• AVO 在代码、浏览器和企业流程基准中是否仍然有效。
• 监督 Agent 带来的准确率提升，是否值得增加的 Token 和延迟。
• 开源 Harness 会不会比闭源模型本身更快形成生态壁垒。

对普通用户来说，下一次换模型前，先看看你正在用的 Agent 有没有好的记忆、重试、审批和验证机制。