Was ist passiert?
NVIDIA berichtet, dass sein Agentic Variation Operators-System (AVO) einen RHAE-Score von 100,00 auf dem öffentlichen Satz von ARC-AGI-3 mit 25 Umgebungen erreicht hat. Mithilfe von Claude Opus 5 und rein textuellen 64-x-64-Rasterbeobachtungen hat AVO alle 183 Level in 6.624 Umgebungsaktionen abgeschlossen. NVIDIA beschreibt außerdem einen separaten siebentägigen GPU-Kernel-Optimierungslauf, bei dem AVO mehr als 500 Richtungen erkundete und 40 festgelegte Versionen produzierte.
Der technische Blog von NVIDIA vom 21. August 2026 stellt Agentic Variation Operators (AVO) als eine universelle Coding-Agent-Architektur vor, die für Arbeiten entwickelt wurde, die über eine einzelne Modellantwort hinausgehen. Das System kann Code prüfen und bearbeiten, Befehle ausführen, Dokumentation einsehen und Änderungen durch Ausführung validieren. Sein zentrales Design umfasst einen dauerhaften Speicher für frühere Implementierungen, Testergebnisse, Compiler- und Profiler-Ausgaben und gesammelte Überlegungen sowie einen Supervisor, der auf Stagnation oder wiederholte unproduktive Zyklen achtet.
Das Unternehmen beschreibt AVO zunächst in einem siebentägigen GPU-Kernel-Optimierungsexperiment. Laut NVIDIA hat das System mehr als 500 Optimierungsrichtungen untersucht und 40 festgelegte Kernelversionen erstellt. Auf NVIDIA DGX B200-Systemen übertrafen die resultierenden Multihead-Attention-Kernel cuDNN um bis zu 3,5 % und FlashAttention-4 um bis zu 10,5 % in den vom Team bewerteten Konfigurationen. Laut NVIDIA hat AVO dann den weiterentwickelten Kernel in etwa 30 Minuten zusätzlicher autonomer Arbeit an die Aufmerksamkeit gruppierter Abfragen angepasst. Die Quelle liefert keine unabhängigen Messungen, keine vollständigen Konfigurationsdetails oder einen reproduzierbaren Bericht über jeden Test.
Anschließend verband NVIDIA die gleiche zugrunde liegende AVO-Architektur mit ARC-AGI-3, einem interaktiven Argumentations-Benchmark, der aus unbekannten spielähnlichen Umgebungen besteht. Nach Angaben des Unternehmens erhielt der Agent keine festgelegten Regeln oder Ziele und musste durch Interaktion ableiten, wie die Aktionen funktionierten. In dieser Konfiguration erhielt das Modell exakte 64 x 64 Textraster anstelle von Bildern oder Bildtokens, und das System verwendete umgebungsspezifische Tools und Auswertungen, während die breitere AVO-Ausführungsschleife beibehalten wurde.
Das Unternehmen meldet einen Wert von 100,00 für die relative Effizienz menschlicher Maßnahmen in allen 25 öffentlichen Umgebungen und erfüllt alle 183 Stufen in 6.624 Umgebungsmaßnahmen. NVIDIA vergleicht dies mit 7.542 von VISTA gemeldeten Aktionen für Claude Opus 5 auf denselben öffentlichen Ebenen, was einem Unterschied von etwa 12 % entspricht. NVIDIA weist ausdrücklich darauf hin, dass es sich hierbei nicht um eine kontrollierte Ablation handelt: Die Systeme unterscheiden sich im Backend, Beobachtungsformat, Speicher, Kontextmanagement und anderen Implementierungsdetails. Die Quelle sagt auch, dass in begrenzten Tests AVO mit GPT-5.6 Sol gepaart wurde, diese vorläufigen Vergleiche jedoch keine vollständige systematische Bewertung darstellten.
Lesen Sie die Primärquelle: developer.nvidia.com ↗
Warum es wichtig ist
Das Ergebnis stützt NVIDIAs Argument, dass persistenter Speicher, Überwachung, Tool-Nutzung und Wiederherstellung die Leistung von Agenten auf lange Sicht erheblich beeinflussen können. Dies ist bemerkenswert, da die gleiche zugrunde liegende Architektur auf die GPU-Kernel-Optimierung und einen ungewohnten interaktiven Benchmark angewendet wurde. Die Quelle belegt jedoch nicht, dass AVO den vollen Leistungszuwachs verursacht hat, noch dass das System auf den realen Betrieb übertragen werden kann.
Der wichtige technische Anspruch betrifft das Systemdesign. Die Leistung von AVO wird als Produkt einer Schleife dargestellt, die Hypothesen bildet, Maßnahmen ergreift, Ergebnisse beobachtet, nützliche Zustände bewahrt, Annahmen revidiert und Fehler behebt. Das unterscheidet sich von der Bewertung eines Modells anhand isolierter Fragen. Wenn der Ansatz Bestand hat, werden Entwickler Speicher, Überwachung, Tool-Schnittstellen und Wiederherstellungsmechanismen zunehmend als Kernfunktionskomponenten und nicht als optionale Wrapper um ein Sprachmodell behandeln.
Die Übertragung zwischen Aufgaben ist der folgenreichste Teil des NVIDIA-Berichts. Die GPU-Kernel-Optimierung hängt von Quellcode, Compilern, Profilern und hardwarebasierten Messungen ab. ARC-AGI-3 bietet stattdessen unbekannte interaktive Umgebungen und Aktionsergebnisse. NVIDIA argumentiert, dass das übertragbare Element nicht Domänenwissen ist, sondern die Maschinerie zur Aufrechterhaltung des Fortschritts, wenn Feedback über viele Schritte hinweg eintrifft. Das Ergebnis ist daher relevant für die Forschung zu Agenten, die sich ändernde Zustände bewältigen müssen, anstatt einmalige Ergebnisse zu erzielen.
Der Bericht verdeutlicht auch, warum Schlagzeilen-Benchmark-Ergebnisse verschleiern können, was gemessen wird. Der RHAE-Score von 100,00 gehört zum kompletten AVO-plus-Modell-plus-Schnittstellen-System. Es zeigt nicht, dass Claude Opus 5 allein eine Verbesserung gegenüber dem von der Quelle genannten öffentlichen Ergebnis von etwa 30 % erzielte, da die Läufe unterschiedliche Argumentationseinstellungen und wesentlich unterschiedliche Bewertungssysteme verwendeten. Der Aktionsvergleich beweist auch nicht, dass der persistente Speicher, der Supervisor oder eine andere einzelne Komponente den Unterschied verursacht hat.
Die praktischen Auswirkungen bleiben ungewiss. Die Quelle gibt nicht an, wie oft AVO ausfällt, wie viel menschliche Aufsicht im normalen Gebrauch erforderlich ist, was der siebentägige Optimierungslauf kostet, wie viel Rechenleistung es verbraucht oder ob sein Verhalten in sicherheitskritischen Umgebungen zuverlässig ist. Es zeigt auch nicht, dass sich Erfolg in unbekannten Benchmark-Umgebungen auf Softwareentwicklung, wissenschaftliche Forschung oder Geschäftsabläufe außerhalb der getesteten Umgebungen auswirkt. Die Beweise von NVIDIA sind als vom Unternehmen gemeldete Forschungsergebnisse bedeutsam, sie stellen jedoch keine unabhängige Bestätigung einer breiten Agentenzuverlässigkeit dar.
Was Sie als nächstes sehen sollten
Die wichtigsten Folgemaßnahmen sind unabhängige Replikation und kontrollierte Tests. Vergleiche mit VISTA sind keine Ablationen, da sich die Systeme in Modell-Backend, Beobachtungen, Speicher und Kontextverwaltung unterscheiden. Das Ergebnis von NVIDIA deckt nur den öffentlichen Benchmark-Satz ab; Leistung auf halbprivaten oder privaten Geräten, Betriebskosten, Fehlermodi, Sicherheitskontrollen und Übertragung auf praktische Einsätze bleiben unbekannt.
Die Replikation sollte der erste Test sein. Forscher müssten AVO oder eine gleichwertige Implementierung unter dokumentierten Bedingungen erneut ausführen und das Ergebnis von 6.624 Aktionen im öffentlichen ARC-AGI-3-Set überprüfen. Zu nützlichen Berichten gehören Fehlerverfolgungen, Aktionszählungen nach Umgebung, Wiederholungsvariabilität, Schlussfolgerungen und Werkzeugkosten sowie die Frage, ob die Ergebnisse von bestimmten Eingabeaufforderungen, Speicherinhalten oder Ausführungseinstellungen abhängen.
Kontrollierte Komponentenstudien würden die Quelle des Gewinns klären. Vergleiche sollten den persistenten Speicher, den Supervisor, die Kontextverwaltung, das Beobachtungsformat und die Modellauswahl separat testen und gleichzeitig andere Variablen konstant halten. Im NVIDIA-Beitrag heißt es, dass der Speicher die wiederholte Erkundung verringern könnte, dieser Beitrag wird jedoch nicht isoliert. Die gleiche Vorsicht gilt beim Vergleich mit VISTA, dessen Architektur und Eingaben sich in mehrfacher Hinsicht unterscheiden.
Die unsichtbaren Teile des Benchmarks sind eine weitere ungelöste Maßnahme. NVIDIA gibt an, dass die gemeldeten Ergebnisse den öffentlichen Satz mit 25 Umgebungen abdecken und keine Ergebnisse für die halbprivaten oder vollständig privaten Wettbewerbssätze sind. Zukünftige Ergebnisse zu zurückgehaltenen Umgebungen würden stärkere Beweise für die Generalisierung liefern, insbesondere wenn die Bewertung den Agenten oder seine Entwickler daran hindert, das System an öffentliche Aufgaben anzupassen.
Schließlich sollten die Leser auf Hinweise zur Bereitstellung und nicht nur auf den Benchmark-Abschluss achten. Ein Agent mit langer Laufzeit, der mithilfe von Tools agieren kann, benötigt Schutzmaßnahmen in Bezug auf Berechtigungen, Statuspersistenz, Wiederherstellung und menschliches Eingreifen. Die Quelle erwähnt Sicherheit auf Systemebene als wichtiges Designprinzip, berichtet jedoch nicht über eine Sicherheitsbewertung von AVO. Seine reale Bedeutung wird davon abhängen, ob es die Genauigkeit wahren, die Kosten kontrollieren, seine Argumentation offenlegen und sicher anhalten kann, wenn das Feedback nicht eindeutig ist oder seine Annahmen falsch sind.
