NVIDIA AVO atinge 100% no ARC-AGI-3 de agentes autônomos

Introdução

NVIDIA AVO é a palavra-chave do momento, e por um bom motivo. O sistema de agentes da NVIDIA alcançou 100% no ARC-AGI-3, um benchmark interativo que compara a eficiência de ações com baselines humanos, marcando um salto em direção a agentes mais gerais e confiáveis para tarefas de longo horizonte. O anúncio foi publicado em 21 de agosto de 2026 no blog técnico da empresa, detalhando como o desenho do sistema, e não apenas a capacidade do modelo, sustentou a performance máxima no conjunto público do ARC-AGI-3. (developer.nvidia.com)

O ARC-AGI-3 foi criado para testar inteligência agentic em ambientes tipo jogo, sem instruções explícitas, regras declaradas ou objetivos definidos. A métrica RHAE avalia não só se o agente completa os níveis, mas também quão eficientemente o faz em relação a humanos de primeira tentativa, o que pressiona de verdade adaptações ao longo do tempo e gestão de contexto. (arxiv.org)

Este artigo explica o que o AVO é, como o time o aplicou de otimização de kernels de GPU a raciocínio interativo, por que 100% no ARC-AGI-3 importa, e o que líderes técnicos podem fazer agora para transformar o hype em entregas concretas.

O que é o AVO e por que isso importa

AVO, sigla para Agentic Variation Operators, é uma arquitetura de agente geral com foco em operação autônoma sustentada, construída para iterar, aprender com feedback e preservar estado útil além do contexto de uma única chamada de modelo. Em vez de centrar tudo no LLM, o AVO injeta mecanismos de memória persistente e uma camada de supervisão que monitoram e redirecionam a busca quando o progresso estagna. (developer.nvidia.com)

O ponto central é simples e poderoso. Em pipelines reais, o modelo é só uma parte da pilha. O agente precisa decidir o que inspecionar, o que mudar, como testar, quando reverter e quando seguir por outro caminho. O AVO formaliza esse ciclo, mantendo um histórico funcional de hipóteses, resultados de avaliação, saídas de compiladores e perfis, e usa um supervisor para escapar de becos sem saída. Esse desenho permitiu que a equipe migrasse o mesmo agente, quase sem alterações no núcleo, de um domínio de engenharia de alto desempenho para um benchmark de raciocínio interativo. (developer.nvidia.com)

Do laboratório à prova real, dois casos que contam a história

1. Otimização autônoma de kernels de GPU

Antes do ARC-AGI-3, o AVO encarou uma maratona de sete dias otimizando kernels de atenção em sistemas NVIDIA DGX B200. O agente explorou mais de 500 direções e cometeu 40 versões, superando cuDNN em até 3,5% e FlashAttention-4 em até 10,5% nas configurações avaliadas, um indicativo claro de um loop de engenharia produtivo sem prescrição manual passo a passo. (developer.nvidia.com)

Em paralelo, a própria literatura de FlashAttention-4 reporta ganhos agressivos no Blackwell B200, o que reforça a relevância do comparativo e o nível de dificuldade do cenário onde o AVO evoluiu seus kernels. O paper do FA4 relata até 1,3x sobre cuDNN 9,13 e 2,7x sobre Triton em B200 BF16, atingindo 1.613 TFLOPs por segundo, então superar FA4 em configurações específicas não é trivial e sugere que o AVO encontrou rotas não óbvias de performance. (arxiv.org)

2. Raciocínio interativo no ARC-AGI-3

O ARC-AGI-3 é um benchmark de ambientes interativos em que o agente entra sem instruções e precisa descobrir regras, inferir objetivos e agir de forma eficiente ao longo de múltiplos níveis. A métrica RHAE, baseada em eficiência relativa às ações humanas, agrega desempenho por nível e por ambiente em um score final, punindo abordagens que só resolvem estados isolados sem manter progresso sustentável. (arxiv.org)

Nesse cenário, a equipe conectou o mesmo AVO, usado em kernels, a uma interface de tarefas diferente, mantendo a espinha dorsal do agente e trocando apenas ferramentas e avaliação. O resultado, 100,00 de RHAE no conjunto público com conclusão de todos os 183 níveis em 25 ambientes, demonstra que uma boa arquitetura de agente pode extrair performance de fronteira de um LLM frontier quando o sistema inteiro é desenhado para memória, feedback e recuperação de falhas. (developer.nvidia.com)

Em eficiência de ações, o post reporta 6.624 ações de ambiente para o AVO contra 7.542 do VISTA usando Claude Opus 5 no mesmo conjunto público, uma diferença de cerca de 12% a favor do AVO nesse recorte não controlado. O próprio texto ressalta que não é um ablação controlada, já que backend de agente, representação de observação, memória e gestão de contexto diferem sensivelmente. Ainda assim, o contraste sugere que o design de memória e de supervisão do AVO pode reduzir exploração repetida ao longo do horizonte. (developer.nvidia.com)

Como o AVO se compara a outras abordagens de agente no ARC-AGI-3

O ecossistema recente do ARC-AGI-3 traz pelo menos duas linhas claras. De um lado, arquiteturas com modelos de mundo executáveis, como Tycho, que constroem hipóteses programáveis sobre as dinâmicas do ambiente. Do outro, harnesses de interação direta, como VISTA, com forte ênfase na eficiência de ação e no acoplamento cuidadoso entre observação e decisão. (arxiv.org)

O AVO se alinha mais à escola de interação direta, porém com uma mecânica própria, ao operar em modo somente texto via uma grade 64 x 64, sem enviar imagens ao modelo e com uma camada de memória persistente e supervisão. No comparativo cruzado citado acima, o VISTA também relataram resultados sólidos com Claude Opus 5, mas com mais ações totais no conjunto público, enquanto o AVO atingiu o score máximo com menos ações, o que reforça a tese de que a pilha do agente, e não só o LLM, dita o teto de desempenho em tarefas longas. (developer.nvidia.com)

Já as abordagens de mundo programático, como Tycho, destacam-se por promover abstrações executáveis a partir do histórico de interação, o que permite testar e reparar hipóteses de regras. A convergência interessante aqui é que, embora difiram na implementação, todas as linhas mais eficazes parecem investir pesado em memória útil, decomposição iterativa e feedback granular. (arxiv.org)

O que o 100% realmente significa no score do ARC-AGI-3

O score do ARC-AGI-3 usa RHAE, uma métrica que combina conclusão e eficiência de ações por nível, normalizada contra baselines humanos. Um 100% significa desempenho humano, por definição da métrica, no conjunto avaliado, não um atestado geral de capacidade do agente em todo e qualquer domínio. No paper técnico do ARC e na documentação, a fundação enfatiza que os ambientes são 100% solucionáveis por humanos e calibrados para avaliar aprendizado eficiente ao longo do tempo, com foco em raciocínio adaptativo e não em conhecimento externo. (arcprize.org)

É vital notar que a NVIDIA delimita explicitamente o escopo, o resultado de 100,00 RHAE foi no conjunto público do ARC-AGI-3, usando o scorecard oficial e a metodologia RHAE. Não é o conjunto semiprivado ou privado da competição, e não é um ablação isolando a contribuição de cada componente do AVO. Esse cuidado de comunicação é importante para evitar extrapolações indevidas de marketing. (developer.nvidia.com)

Implicações práticas para times de engenharia e P&D

• Padronizar memória persistente. Mecanismos que carregam adiante implementações, resultados de testes e raciocínios úteis reduzem exploração redundante e custos de inferência, e ampliam a capacidade de recuperação após erros. O caso AVO sugere que memória não é luxo, é base do throughput cognitivo do agente. (developer.nvidia.com)
• Tratar supervisão como sistema, não como prompt. A camada de supervisão precisa atuar quando a busca entra em ciclos improdutivos, realinhando estratégias sem quebrar autonomia. Isso também cria trilhas de auditoria, o que ajuda em segurança e confiabilidade. (developer.nvidia.com)
• Orquestrar ferramentas com testes executáveis. No estudo de kernels, o AVO não só gerava candidatos, mas validava com compiladores, perfis e benchmarks, um padrão reaplicável a domínios como MLOps, integração contínua e tuning de pipelines. (developer.nvidia.com)
• Medir eficiência, não apenas acerto. Métricas tipo RHAE pressionam decisões melhores por ação, algo crítico quando se controla custos de API e tempo de parede em produção. Para equipes que avaliam agentes, incorporar scorecards e telemetria estilo ARC é um passo pragmático. (docs.arcprize.org)

Perguntas estratégicas que líderes deveriam fazer hoje

• A arquitetura atual de agente carrega estado útil entre tarefas, sessões e falhas, ou recomeça do zero a cada rodada de contexto do LLM. (developer.nvidia.com)
• Há uma camada explícita de supervisão com gatilhos de estagnação, rollback e mudança de estratégia. (developer.nvidia.com)
• As interfaces de observação e ação foram otimizadas para o agente, por exemplo, reduzir frames visuais caros quando uma representação textual basta, como ocorreu no AVO. (developer.nvidia.com)
• A validação foi amarrada a scorecards e métricas de eficiência, como o RHAE, evitando métricas que não penalizam desperdício de ação. (docs.arcprize.org)
• O time comparou abordagens de mundo programático, como Tycho, com harnesses diretos como VISTA, para escolher o encaixe mais adequado ao produto. (arxiv.org)

Casos de uso imediatos, onde aplicar sem pular etapas

• Engenharia de performance. O padrão usado em kernels pode ser replicado em tuning de operadores, compilação de modelos e geração de variantes com validação automatizada, especialmente em clusters Blackwell. A literatura de FA4 mostra o quanto há espaço para co-projeto de algoritmo e kernel, e o AVO prova que agentes podem explorar esse espaço com pouco toque humano. (arxiv.org)
• Automação de pipelines de dados. Um agente com memória e testes pode depurar transformações, comparar métricas, registrar decisões e evitar regressões, preservando o histórico técnico para auditoria. (developer.nvidia.com)
• Avaliação de LLMs para uso agentic. Em vez de perseguir um único número de benchmark de modelo, equipes podem medir stacks completos, usando scorecards ARC e recortes como eficiência de ações por nível, custo por episódio e taxa de recuperação pós-erro. (docs.arcprize.org)

Limitações e o que observar nas próximas iterações

Do lado metodológico, os próprios autores lembram que o 100% foi no conjunto público, com uma configuração de observação textual e diferenças arquiteturais relevantes frente a outros sistemas. Isso impede inferências sobre a contribuição exata de cada peça, como memória, supervisão e escolha de LLM. Novos estudos de ablação devem isolar esses fatores. (developer.nvidia.com)

Além disso, o ecossistema do ARC-AGI-3 é dinâmico. Novos agentes de mundo programático e harnesses visuais estão evoluindo rápido, e há relatos de outros sistemas também atingindo 100% no conjunto público, o que reforça a utilidade de comparar eficiência de ações, robustez e tempo de parede, não apenas score final. A página do ARC e o paper técnico são fontes úteis para acompanhar mudanças na metodologia e na base humana. (arcprize.org)

Conclusão

O 100% do NVIDIA AVO no ARC-AGI-3 é um marco por lembrar que sistemas ganham jogos, não peças isoladas. Memória persistente, supervisão e uma interface bem projetada transformaram a capacidade do modelo em progresso sustentado, com menos ações e mais consistência em tarefas longas. Para quem lidera times de IA aplicada, o recado é direto, investir na pilha do agente rende mais do que trocar de LLM a cada mês. (developer.nvidia.com)

Seguir adiante significa institucionalizar scorecards de eficiência, projetar memória como primeira classe e adotar mecanismos de supervisão que mantenham a autonomia sem ceder confiabilidade. Quem fizer isso agora tende a capturar ganhos de produtividade duradouros, tanto em laboratórios quanto em produtos vivos. (docs.arcprize.org)