Az NVIDIA Agentic Variation Operators (AVO) általános célú ügynökarchitektúrát fejlesztett ki, amely a nagy nyelvi modellek köré szervezett rendszerek teljes működését célozza: kontextuskezelés, eszközhasználat, állapotmegőrzés, visszajelzés feldolgozása és hosszú futamidejű feladatok fenntartása. AVO-t előbb komplex GPU-kernel-optimalizációs feladatokon tesztelték, majd ugyanazt az architektúrát alkalmazták az interaktív ARC‑AGI‑3 benchmarkra, ahol a nyilvános készleten 100.00 RHAE pontot ért el.
Mi az AVO?
AVO (Agentic Variation Operators) egy NVIDIA által fejlesztett, általános célú kódolási ügynök rendszer. AVO képes forráskódot vizsgálni és szerkeszteni, parancsokat futtatni, dokumentációt használni és a működését végrehajtással ellenőrizni. A rendszert az különbözteti meg, hogy a hangsúly a hosszú távú, autonóm működés fenntartásán van: a modell nem egyszeri válaszokban gondolkodik, hanem ismétlődő, előrehaladó mérnöki ciklusokat hajt végre.
A GPU-kernel-optimalizációnál AVO a hagyományos evolúciós keresési rendszerek rögzített variációs lépéseit egy autonóm ügynökre cseréli: az ügynök maga dönt arról, mit vizsgáljon meg, mit módosítson, hogyan teszteljen és mit rögzítsen elkötelezett változatként. ARC‑AGI‑3 esetében ugyanazt az alapügynököt kötötték össze egy más típusú feladati felülettel: az ügynök magja változatlan maradt, csak az eszközök és az értékelési interfész alkalmazkodott a benchmarkhoz.
Korai siker: GPU-kernel-optimalizáció
A GPU-kernel-optimalizáció alkalmas volt az AVO architektúra korai igénybevételére, mert a keresési tér nagy és a teljesítményhatások előre jelezhetetlenek végrehajtás nélkül. Az NVIDIA figyelemre méltó eredményei a következők:
- Az AVO egy hétig (7 nap) folyamatosan működött egy attention-kernel vizsgálat során.
- Több mint 500 optimalizációs irányt térképezett fel és 40 elkötelezett kernelverziót hozott létre.
- NVIDIA DGX B200 rendszereken a kifejlesztett multihead attention kernel teljesítménye a mért konfigurációkban legfeljebb 3,5%-kal múlta felül a cuDNN-et és legfeljebb 10,5%-kal a FlashAttention-4-et.
Ezek az eredmények azt mutatják, hogy AVO képes több iteráción át fenntartani egy produktív mérnöki hurkot anélkül, hogy minden lépést előre részletesen meghatároztak volna. Továbbá hangsúlyozzák, hogy a megbízható ügynökrendszer építése a teljes rendszerszintű tervezést igényli — nem csak a modell képességeit kell figyelembe venni.
Hosszú futamidejű autonóm munka fenntartása
AVO két kulcsmechanizmusa a perzisztens memória és a felügyelet (supervision).
- Perzisztens memória: a korábbi implementációk, értékelési eredmények, fordító- és profilkimenetek, valamint felhalmozódott érvelés megtartásával az ügynök a meglévő állapotból folytathatja a keresést, ahelyett hogy újra és újra felépítené azt.
- Felügyelet (supervisor): a supervisor figyeli az általános keresési pályát, és ha a folyamat megreked vagy ismétlődően nem produktív ciklusokba fut, átirányíthatja a főügynököt alternatív stratégiák felé. A hét napos attention-kernel futás során a főügynök döntött arról, mit vizsgáljon és teszteljen, míg a supervisor segített fenntartani az előrehaladást, amikor a keresés platóra került.
E mechanizmusok révén az AVO megőrzi a haladást egyetlen modell-híváson túl is.
Áttérés magas szintű mérnöki feladatról általános interaktív problémamegoldásra: ARC‑AGI‑3
Az NVIDIA a AVO architektúrát egy nagyon eltérő kihíváson is kipróbálta: az ARC‑AGI‑3 interaktív következtetési benchmarkon. Ebben az ügynök ismeretlen, játék-szerű környezetekbe lép be utasítások, explicit szabályok vagy megadott célok nélkül; az ügynöknek interakciókkal kell feltérképeznie a dinamikát és a célokat.
AVO eredményei az ARC‑AGI‑3 public készleten:
- AVO elérte a 100.00 Relative Human Action Efficiency (RHAE) pontszámot a 25 környezeten, és megoldott minden, összesen 183 szintet.
- A teljesítéshez 6,624 környezeti akciót használt fel a Claude Opus 5 modellel.
- Összehasonlításképp, a VISTA rendszer Claude Opus 5 használatával ugyanazon 183 publikus szintet 7,542 környezeti akcióval teljesítette; az AVO körülbelül 12%-kal kevesebb akciót igényelt ebben a kereszt-rendszeres összevetésben.
Fontos megjegyezni, hogy ez nem kontrollált összehasonlítás: a rendszerek különböznek a backendben, megfigyelési reprezentációkban, memóriakezelésben, kontextuskezelésben és egyéb részletekben. Az AVO memóriarendszere, amely az előző megértéseket viszi tovább és csökkenti az ismételt feltérképezést, egy lehetséges eltérés, de az egyedi hozzájárulását ez az eredmény nem izolálja.
Az AVO egyaránt képes különböző frontvonalbeli modellekkel működni: a teljes nyilvános futás Claude Opus 5-tel történt, de kísérleti jelleggel párosították GPT‑5.6 Sol modellel is egy nehezebb játékrészleten. Ezekben a korlátozott kísérletekben Sol néhány esetben gyorsabban érte el a párosított szinteket tényleges falóra vetített időben, míg Opus kevesebb környezeti akciót használt a párosított szintek összehasonlításában.
Ezek az eredmények a 25 környezetből álló ARC‑AGI‑3 nyilvános készletre vonatkoznak az hivatalos scorecard és RHAE metrika használatával; nem tartalmazzák a félig privát vagy teljesen privát versenykészletek eredményeit.
Mit tanult az NVIDIA az ARC‑AGI‑3 teszteléséből?
A legfontosabb tanulság nem pusztán a 100.00 pont elérése volt, hanem az, hogy ugyanaz az alapügynök-architektúra átvihető volt a specializált GPU-optimalizációról egy nagyon más jellegű, interaktív következtetési feladatra. Bár a visszajelzés forrása és az interfészek eltértek (fordítók és profilerek vs. környezeti átmenetek és akciók), a működési ciklus — hipotézisalkotás, cselekvés, megfigyelés, állapotfrissítés és folytatás — ugyanaz maradt.
Ez azt jelzi, hogy a rendszer általánossága nem csupán a domén-specifikus tudásból fakad, hanem abból a mechanikából, amely lehetővé teszi, hogy az érvelés és a visszajelzés időben felhalmozódjon és előrehaladást eredményezzen.
Kilátások
Az AVO kutatása autonóm szoftvermérnökséggel és magas teljesítményű GPU-kernel-optimalizációval indult; az ARC‑AGI‑3 bemutatja, hogy azonos alaparchitektúra különböző következtetési környezetekre is alkalmazható. A nagyobb lehetőség abban rejlik, hogy általános célú ügynökrendszereket építsünk perzisztens állapottal, eszközhasználattal, földelt visszajelzéssel, hibajavítással és hosszú távú kontextuskezeléssel — olyan rendszereket, amelyek képesek bizonyítékokat felhalmozni és fenntartani az előrehaladást különféle feladatokon.
A modellek fontosak, de a modell nem maga az ügynök teljes rendszere.
Források és kapcsolódó munka
A cikk megemlíti a következő forrásokat és kapcsolódó projekteket, amelyek további részleteket tartalmaznak: AVO: Agentic Variation Operators for Autonomous Evolutionary Search (tanulmány), az ARC‑AGI‑3 benchmark és scorecard, valamint a VISTA és Tycho kapcsolódó munkák.
