Agenti Nvidia náði 100% árangri í ARC-AGI-3 rökfræðiprófi

Nvidia ↘ 4.58% birti á föstudag rannsóknir sem sýna að alhliða umboðskerfi fyrirtækisins, Agentic Variation Operators (AVO), náði fullkomnu 100% skori í ARC-AGI-3 gagnvirka rökfræðiprófinu. Niðurstaðan undirstrikar hvernig arkitektúr umboðskerfa, ekki bara geta líkana, ræður árangri í flóknum sjálfstæðum verkefnum.

Arkitektúrinn sem skiptir máli

Með Claude Opus 5 sem undirliggjandi líkan kláraði AVO öll 183 borðin í 25 umhverfum í ARC-AGI-3 safninu með 100,00 RHAE-skori og framkvæmdi verkefnið með 6.624 aðgerðum í umhverfinu. Án AVO-kerfisins náði Opus 5 aðeins 30% árangri í sama prófi, sem var hæsta niðurstaða allra líkana sem prófuð voru með mikilli rökfræðilegri vinnu.developer.nvidia+1

ARC-AGI-3 er próf sem samanstendur af 2D leikjaumhverfum án leiðbeininga, reglna eða settra markmiða. Umboðskerfið verður að kanna, álykta um gangverkið og bregðast við á skilvirkan hátt í sífellt erfiðari borðum. Prófið hefur reynst erfitt fyrir fremstu líkön, þar sem líkön OpenAI skoruðu undir 10% áður en fyrirtækið framkvæmdi eigin rannsóknir á fínstillingu kerfa í síðasta mánuði.techcrunch+1

Einkenni AVO eru viðvarandi minni, sem flytur fyrri útfærslur og rökfræði á milli lota, og eftirlitseining sem fylgist með ferli umboðskerfisins og leiðbeinir því þegar það festist eða endurtekur óskilvirkar leiðir. "Áhugaverðasti hlutinn var að kynna til sögunnar eftirlitsumboðsmann til viðbótar við aðalumboðsmanninn sem vinnur verkið," sagði Adel El Hallack, varaforseti vöruþróunar hjá gervigreindardeild Nvidia, við TechCrunch. Það "virkar nánast eins og forstjóri sem ýtir við umboðsmanninum þegar hann fer af leið."developer.nvidia+1

Frá GPU kjörnum til almennrar rökfræði

AVO var upphaflega þróað fyrir fínstillingu á GPU kjörnum, þar sem það keyrði samfellt í sjö daga, kannaði yfir 500 fínstillingarleiðir og framleiddi athygliskjarna sem stóðu sig allt að 3,5% betur en cuDNN og allt að 10,5% betur en FlashAttention-4 á NVIDIA DGX B200 kerfum. Sama arkitektúr yfirfærðist á ARC-AGI-3 án breytinga á kjarnalykkjunni, aðeins verkfæri og mat á umhverfi breyttust.developer.nvidia

Kerfið sýndi einnig fjölhæfni milli líkana. Í takmörkuðum tilraunum þar sem AVO var parað við GPT-5.6 Sol, náði líkanið samsvarandi stigum hraðar í rauntíma í nokkrum tilfellum, á meðan Opus notaði færri aðgerðir í umhverfinu.developer.nvidia

Áhrif á gervigreind fyrirtækja

Rannsókn Nvidia bætist við vaxandi fjölda sönnunargagna um að kerfið, ekki bara val á líkani, sé mikilvægasta breytan í árangri umboðskerfa. Ali Ghodsi, forstjóri Databricks, benti á í júlí að val á kerfi geti eitt og sér tvöfaldað kostnað við gervigreind fyrir sama líkan. "Þú hugsar, ó, þetta er dýrt líkan. Þetta er ódýrt líkan. En bíddu, hvaða kerfi ertu að nota?"techcrunch

El Hallack setti niðurstöðurnar fram sem rök fyrir opnum umboðskerfum. "Við trúum því að það að hafa opinn arkitektúr, þar sem þú hefur stjórn á kerfinu, innviðunum og keyrsluumhverfinu, sé það sem þarf til að við getum fært vistkerfið áfram á öruggan hátt," sagði hann.techcrunch