同一个Claude Opus 5，单独考只有30分，套上AVO之后直接满分。英伟达做了一件跟最近爆火的DeepSeek Harness、Codex Harness同样的事——不动模型，只优化模型之外的那一圈。
183关，6624步，满分
就在刚刚，英伟达的通用编码智能体AVO在ARC-AGI-3上拿了满分。25个游戏环境，183个关卡，全部通关，总共只花了6624步，RHAE拿到100.00。
ARC-AGI-3是出了名的“不讲武德”。它把智能体直接扔进一个陌生游戏，规则和目标都不给，全靠自己按、自己看、自己猜。有的环境能上下左右挪，撞上一个蓝黑色方块画面就转90度；有的连走都不让走，只能靠点击把格子颜色循环成目标图案。每个环境至少六关，越往后越狠——第一关五步能过，第六关得走五十步。
前沿模型直接硬闯根本搞不定。Claude Opus 5单独去考，成绩只有30.16%，而这已经是官方认证榜上的第一名。
ARC Prize拆过上一代模型的对局录像，归纳出三类典型错误：局部看懂了全局没看懂；把陌生机制往熟悉的游戏上套；过了关却没学会。第三种最要命——Opus曾经只用37步就打通了第一关，但对点击机制的理解从头就是错的，进到第二关还抱着那套错理论不放，最后卡死在里面。
外面加了一层壳
英伟达的做法是：不碰模型，只在外面加一层壳。
同一个Claude Opus 5，分数直接从30分跳到了满分。
和最近爆火的DeepSeek Harness、Codex Harness一样，AVO管的也是模型之外的一圈事：给它什么上下文、给它什么工具、怎么存状态、怎么接反馈、卡住了怎么办、上下文满了之后怎么接着干。
具体到机制上，真正起作用的是两样东西。
第一个是持久记忆。 长时程任务最要命的地方在于上下文会满。一满，模型的记忆就清零了，前面试过什么、哪条路走不通、profiler吐出来什么结果，全都没了。下一轮开始，它又从头把同样的坑再踩一遍。AVO则把这些全部存了下来——过往的实现版本、每次评测的结果、编译器和分析器的输出、累积下来的推理过程都在里面。上下文重置之后，智能体从当前状态接着干，而不是从零开始重建整个搜索。
第二个是监督器。 主智能体负责埋头干活，看什么、改什么、测什么、提交什么都由它自己定。监督器不干活，只在旁边盯着整条搜索轨迹。一旦发现进展停滞，或者智能体开始原地打转反复做无用功，它就出手把主智能体拽向别的策略。
还有个细节：AVO跑ARC-AGI-3全程用的是纯文本模态，每一帧观察喂给模型的是一个精确的64×64文本网格，一张图都没有，一个图像token都没送。在一个满屏都是像素的游戏里，模型从头到尾一眼都没看见画面。
这套机制换来的，就是6624步跑完183关、RHAE拿满的那份成绩单。
英伟达从这里得出的结论是：长时程能力从来不是模型单独具备的，而是整个系统凑出来的。记忆决定哪些东西能留到下一轮，工具决定智能体能做出哪些动作，反馈让它知道自己有没有走错。而假设被推翻的时候，能不能爬回来接着干，决定了这份活能不能一直做下去。
它先革的是英伟达自己的命
有意思的地方在于，AVO压根不是为了打游戏做的。它的主战场是GPU算子优化。
今年3月25日，英伟达往arXiv上传了一篇论文《AVO：面向自主进化搜索的智能体式变异算子》。题目里有两个关键词：进化搜索和变异算子。
进化搜索本身不复杂：手里攥着一批候选代码，改一改，跑一跑，留下最快的那版，再接着往下改，一代一代推过去。负责“改一改”的变异算子，过去是写死的，改法由人提前定好；后来换成LLM来改，也只是调一次吐一段代码。
而AVO的做法是，把整个变异算子换成一个自主智能体。它不仅能翻CUDA编程指南和PTX架构文档，能跑测试，能读profiler，还能自己诊断正确性故障，然后决定下一版改哪儿。
团队把它放到B200上，任务是优化注意力内核——Transformer里被榨得最狠的一个算子。然后人就撒手了。AVO连续自主跑了7天，探索了超过500个优化方向，最终提交40个有效内核版本。跑出来的多头注意力内核，比英伟达自家闭源的cuDNN最多快3.5%，比最前沿的开源实现FlashAttention-4最多快10.5%。
随后它又把这套优化搬到了如今大模型主流的GQA上。这回只自主跑了大约30分钟，新内核就比cuDNN快7.0%，比FlashAttention-4快9.3%。
手写CUDA内核一直是这个生态里门槛最高的活，而AVO第一个超掉的就是它。
而ARC-AGI-3那25个游戏，用的就是这同一套系统。
调内核和打游戏，听上去是完全不搭界的两件事。但在英伟达看来，这两件事底下跑的是同一个循环：智能体先从残缺的证据里立起一个假设，动手去试，观察结果，把有用的状态存下来，再修正自己对问题的理解。假设错了就退回来重想，然后一轮一轮往下滚。
用英伟达自己的话说：能迁移的不是领域知识，而是维持长时程自主推进的那套机制。
做出它的，是一支华人班底
把AVO那篇论文的作者名单拉出来，会看到一串很眼熟的名字。23个署名，几乎把过去十年开源深度学习基建的关键人物凑齐了。
共同一作之一的许冰，是英伟达的Distinguished Engineer，也是MXNet的作者。更早的时候，他还是2014年那篇GAN原始论文的第四作者。TVM和XGBoost的作者陈天奇也在名单上。再往下是FlashInfer的作者叶子豪，以及CUDA编译器元老Vinod Grover。坐镇的是Humphrey Shi，英伟达高性能AI副总裁，同时还是佐治亚理工的教授。
这次的博客署了五个名字，四位是华人。
最有意思的一段来自许冰此前的自述：一年半前他和同事刚在英伟达做智能体编程的时候，两个人都不懂GPU编程。正因为不懂，他们从第一天起就奔着完全自动、不用人插手的系统去做，还给这套路子起了个名字叫“盲编程”。一年半之后，这套不靠人指挥的系统，把人类专家优化了几个月的内核给超了。
账最后都结到了老黄的显卡上
一家卖显卡的公司，为什么要花一年半做一套不用人插手的智能体？
因为壳这一层，套谁的模型都行。AVO就跨模型跑过——同样的关卡，配GPT-5.6耗时更短，换成Opus 5则更省步数。英伟达不靠卖模型赚钱，但这一层它能占住。
模型这一侧走开源。今年8月推进的Nemotron 4瞄准万亿参数规模，预计秋季完成训练，模型免费送出去，钱在后面的GPU和软件栈上收。算力这一侧，长时程智能体正好是它最想要的负载。老黄今年在GTC上给出的判断是：推理拐点已经到来。过去两年算力需求涨了约一万倍，而使用量只涨了约一百倍，中间那个差值全被推理吃掉。
所以用谁家的模型不重要。只要智能体的活越干越长、越干越重，账最后都会结到他们的显卡上。
至于100分这三个字，眼下确实在快速贬值。三月份还没人能考到1分，Tycho在7月底率先拿下满分，VISTA在8月5日又拿了一次，AVO这张已经是六周里的第三张。但AVO做成的事并不会因此缩水——一个为了在B200上榨出FlashAttention最后几个百分点而生的架构，几乎原封不动地搬到了一个像素游戏里，然后跑通了。中间换掉的只有任务接口和评测方式，那个核心循环一行没改。
正如英伟达在博客最后写的那样：模型很重要，但模型不是智能体的全部。
评论区