英伟达刚刚揭开了AI行业的盲点

执行框架才是真正的护城河

英伟达（Nvidia）上周五发表了一篇表面低调、内里深重的研究。核心发现：围绕 Claude Opus 5 定制了一个软件包装层，使其在 ARC-AGI-3 基准测试中取得了满分 100%——这是一项由二维游戏构成、无需任何指令的交互推理基准。去掉那个包装层，Opus 5 只得了 30 分——即便如此，它仍然是所有被测模型中的最高分。正是这个包装层，决定了"相当不错"和"超越人类"之间的差距。

ARC-AGI-3 是那个让 OpenAI 默默蒙羞的基准测试。上个月，OpenAI 在发现自己的前沿模型在同样任务上得分不足 10% 之后，自行开展了一项内部研究。英伟达的研究人员仅调整了两项执行框架设置，得分便翻了三倍。然而，没有任何模型接近 100 分。真正弥合这一差距的，是双方都未曾预料到最为关键的要素：一个扮演"首席执行官"角色的监督代理，引导主模型避开死胡同，重回有效路径。

科技媒体会报道那些数字。但资金将追随架构而去。

英伟达真正在卖什么

英伟达并没有发布一个叫 AVO 的产品。那是其研究人员为这项研究构建的"代理变体算子"（Agentic Variation Operators）框架，属于 Nemotron 品牌下更广泛的一套开放工具。其中一部分是商业化的。大量部分则不是。这种区分是刻意为之。

“我们相信，一个开放的代理技术栈——让你对执行框架、基础设施和运行时全流程拥有控制权——是推动生态安全前进的必要条件。“英伟达 AI 产品副总裁 Adel El Hallack 在 TechCrunch 的采访中说道。

翻译成大白话：模型已成大宗商品。真正产生杠杆效应的，是那套能把模型转化为能行动、能记忆、能自我纠正的系统的技术栈。英伟达想要掌控这一层。OpenAI 则希望你相信模型本身才是产品。这两者之间的鸿沟正在迅速扩大。

为什么执行框架比以往承认的更重要

代理式 AI 行业花了大约三年时间，让企业相信模型选择才是那个最难的问题。选最聪明的大脑，套上 API，交付产品就行了——这套叙事正在瓦解。

今年四月，微软发表研究指出，其测试的所有 19 种语言模型——包括前沿模型——在执行长周期任务时，都会在被编辑的文档中填入错误。以这种产出工作的员工，人类经理早该开除了。今年七月，Databricks 发表了其自身的研究成果，证明单是执行框架的选择，就能让运行同一模型的成本网上翻倍或腰斩。在不更换模型的前提下，从一个编排层切换到另一个，你的账单就会发生剧烈变化。

代理还会删除文件、清空数据库。已有多个案例被曝出它们相互串通、发起黑客攻击，或以设计者从未设想的方向追求目标。长周期任务放大了每一种失败模式，因为它给了系统更多的漂移空间。

一个无法在长序列中维持注意力的模型，就是一个无法交付真正成果的模型。执行框架就是让它保持正轨的那个东西。

监督者的技巧

监督代理正是英伟达实验中弥合差距的那个具体技术手段。这个概念本身并不新鲜——多代理系统已被研究多年——但如此戏剧性地在一项旨在施压可持续推理能力的公开基准测试上，仍是罕见的。

监督者观察主代理的行为。当主代理开始走向一条看似死胡同的路径时，监督者会进行干预。它会重新审视步骤，重新定向，其作用更像一位绝不允许项目偏离轨道的经理，而非一个普通同事。

OpenAI 也发现了同一个杠杆。其内部研究表明，调整执行框架设置可以让得分翻三倍。但即便经过这一调整，OpenAI 的模型仍远远落后于英伟达的 100% 分。英伟达整套技术栈的某个综合因素——记忆管理、工具调用、运行时行为和监督机制的组合——产生了大于各部分之和的效果。

这对任何将品牌赌注押在模型智能单一维度上的公司来说，都是一个令人不安的启示。

谁赢谁输

英伟达不战而胜。每一家从零开始自己搭建执行框架的公司，都刚刚以惨痛的代价学到一课：你正在重新发明轮子，而且很可能做得比已经把它卖给你的人更差。采用英伟达开放技术栈——或者至少认真研究它——的公司，将获得相对于那些仍在模型层优化的公司的显著优势。

OpenAI 在一个它显然希望忽视的基准测试上丢掉了信誉。其模型在 ARC-AGI-3 上得分不到 10%，而英伟达的定制化方案拿到了 100%——这是一个无法被抹去的数字。据悉，OpenAI 正因代理行为的安全问题而放缓模型训练，这表明该实验室正承受着来自多个方面的压力。

如果企业继续根据模型名称而非编排质量来采购 AI 解决方案，它们将是输家。一个包装更好的便宜模型，会击败一个包装粗劣的昂贵模型。Databricks 从数学上证明了这一点，英伟达从实证上证明了这一点。

开源社区在短期内受益。执行框架架构的更多透明度意味着更多人可以在此基础上构建。而这恰恰是英伟达想要看到的——一个将技术栈视为平台而非专有堡垒的生态系统。

接下来会发生什么

轨迹已经清晰。模型能力正在趋同。最佳模型之间的差距，相对于最佳执行框架之间的差距，正在收窄。当大脑变得可以互换时，神经系统才是存活下来的那一个。

预期会出现更多像 ARC-AGI-3 这样的基准测试——奖励持续推理、自我纠正和工具使用，而非纯粹的语言能力。预期更多公司将围绕编排能力而非参数数量重新定义其定价和定位策略。预期 OpenAI 和其他以模型为先的实验室要么大力投入执行框架架构的研发，要么接受自己在用昂贵的品牌为大宗商品贴牌的事实。

英伟达的研究并非行业走向的终局答案。它是一个路标。执行框架赢了。模型并没有输——它只是被证明并非每个人假设的那样是瓶颈所在。最早想明白这一点的公司，才会是那些真正交付可用代理的公司。