同一个Claude Opus 5，直接参加ARC-AGI-3公开交互测试时得分约30.2%；被放进NVIDIA的Agentic Variation Operators系统后，却完成25个环境、全部183个关卡，RHAE达到100.00。差距并不来自换了更大的模型，而来自模型之外的Harness：持久记忆、工具执行、反馈解释，以及在路线停滞时介入的监督器。

模型会推理，系统负责让它不半途而废

ARC-AGI-3不是静态选择题。Agent进入没有说明书的游戏式环境，要通过动作猜规则、发现目标、记住结果，并在有限操作内逐级完成任务。一次回答很聪明并不够：上下文会耗尽，错误假设会累积，连续失败还会把模型困在同一条路上。模型分数因此只测到原材料，系统分数才测到它能否持续工作。

AVO把主Agent留在执行循环中：观察环境、形成假设、调用工具、读取反馈、修正策略。外部记忆保存此前尝试、测试结果和有效结论，避免每次换上下文都重新学习；监督器则观察更长的轨迹，识别重复无效循环，并在进展停滞时引导主Agent尝试另一条路线。它不是替模型解题，而是管理模型的时间、状态和失败。

从游戏到GPU内核，迁移的是工作循环

NVIDIA先在GPU内核优化上验证这套方法。AVO连续运行7天，探索超过500个优化方向，形成40个提交版本。在DGX B200上的指定配置中，生成的多头注意力内核最高比cuDNN快3.5%、比FlashAttention-4快10.5%；随后又用约30分钟把结果适配到分组查询注意力。

游戏与内核看起来毫不相关，底层循环却相同：都要从不完整证据提出假设，通过外部接口行动，观察后果，保存有效状态，纠正错误，并在长时间里继续推进。AVO真正证明的不是它掌握了两个领域，而是“记忆＋执行＋监督”可以成为跨领域的长程工作骨架。

企业落地要复制机制，不要复制满分叙事

对FDE来说，最可复用的设计是把长任务分成三层状态：当前步骤需要的短上下文、跨步骤保存的结构化工作记忆，以及独立于主Agent的监督指标。代码迁移、数据修复、运营调查和批量测试都可以这样组织。监督器不必是更强模型，也可以是超时、重复率、测试通过率和成本上限组成的规则。

验收也不应只看最终成功率。还要记录完成一次任务用了多少环境动作、多少模型token、多少次回退、监督器介入几次，以及失败后能否从检查点恢复。一个成功率略低但成本可控、轨迹可审计的系统，往往比偶尔满分却无法解释的Agent更适合生产。

编辑判断：Harness正在变成可独立优化的能力层

100.00必须加上边界：这是25个公开环境，不是隐藏赛道；参与者可以反复观察公开任务，NVIDIA也没有在文章中交付一套可直接独立复现的完整ARC配置。内核性能同样是特定DGX B200和特定工作负载下的最高增益，不能外推到所有模型与序列长度。

但30%到100%的差距仍然给出清晰信号：企业购买模型能力后，真正决定产出的，是如何保存状态、设计反馈、安排监督与约束资源。生产团队还需要给监督器本身设置审计和预算，避免“纠偏”变成无限重试，或者让第二个模型悄悄扩大权限。ATYUN认为，下一阶段Agent竞争会越来越像系统工程，而不是模型榜单。这种系统能力还需要用单位任务成本和人工接管率衡量，不能只看最终是否通关。模型决定单步智力，Harness决定这份智力能否连续工作七天，并把失败变成下一次行动的资产。