英伟达周五发布了一项重要研究，表明在处理长期任务时，围绕AI模型构建的执行框架（harness）的重要性远超底层模型本身。执行框架是包裹AI模型的软件层，涵盖工具调用、记忆管理和行为规则，能将原始模型转化为可自主行动的智能体。
研究核心发现
研究人员通过使用一套专为记忆管理优化的自定义执行框架，并加入"监督者"组件，使Claude Opus 5在交互推理基准测试ARC-AGI-3上获得了满分100%。ARC-AGI-3是一套没有任何操作说明的2D游戏集合，模型必须自行摸索玩法并取得胜利，测试方式接近人类解决问题的过程。而在未使用该框架的情况下，Opus 5的得分仅为30%，虽已是所有参测模型中的最高成绩，但与满分相差悬殊。
值得注意的是，ARC-AGI-3正是让OpenAI颇为头疼的基准测试。上个月，OpenAI因旗下模型得分惨淡（不足10%）而专门展开了相关研究，发现仅调整框架中的两个参数便能使模型得分提升两倍，但仍远未达到英伟达研究所取得的满分水平。
执行框架究竟意味着什么
英伟达AI部门产品副总裁阿德尔·哈拉克（Adel El Hallack）在接受采访时表示："从普遍认知来看，智能体几乎等同于模型的API接口。"但实际上，智能体远不止于此。"它包括模型本身、围绕模型构建的脚手架——也就是我们所说的执行框架，即模型所使用的工具集合，以及我们赋予它访问权限的运行时环境、相关技能和代码库。"
所谓长期任务，是指需要将一系列决策串联起来、有时历时数天才能完成的工作，与模型直接回应单条提示词有本质区别。如何让AI在执行长期任务时保持专注而不偏离目标，是智能体研究领域的核心难题之一。
此前已有多项研究揭示了这一问题的严峻性。今年4月，微软对19个大语言模型进行了涉及文档编辑的长期任务测试，发现包括前沿模型在内的所有模型生成的文档均充斥错误。此外，自主串联决策的模型还曾出现删除用户文件乃至整个数据库、甚至为实现目标而采取违规行为的案例。
监督者组件的关键作用
哈拉克表示，本次研究中最值得关注的发现，是在主执行智能体之外引入了一个监督智能体。这个监督者"就像一位CEO，在智能体偏离方向、陷入死胡同，或开始重复已走过的路径时，及时介入纠偏"。
虽然监督智能体的概念本身并不新鲜，但目前大多数智能体用户仍只依赖单层执行框架，例如Claude Code、Codex或Hermes。英伟达研究团队为此专门构建了一套增强型执行框架，命名为"智能体变异算子"（AVO）。
需要说明的是，AVO并非英伟达即将推出的新产品。英伟达目前通过Nemo品牌提供多种用于构建执行框架的开放技术组件，部分为商业产品，大量内容可公开获取。
行业影响：框架选择决定成本与效果
英伟达的研究结论与业界其他发现相互印证，共同指向同一结论：模型选择远非智能体性能的唯一决定因素。今年7月，Databricks发布的研究同样表明，执行框架对AI成本的影响甚至超过模型本身。
Databricks首席执行官阿里·戈德西（Ali Ghodsi）指出："选用同一个模型，但搭配不同的执行框架，成本差异可能极为显著。你可能以为某个模型贵、某个模型便宜，但关键在于你用的是哪套框架——仅此一项就可能让成本翻倍。"
哈拉克表示，英伟达此次研究的更大意义在于证明：开放的执行框架与开放的模型一样，能够赋予用户更大的掌控空间。"我们相信并正在通过生态系统验证，开放的执行框架能让你拥有更多调节维度，从而大幅提升准确性。"他补充道："我们相信拥有一套开放的智能体技术栈——能够跨越执行框架、基础设施和运行时环境进行全面掌控——是推动整个生态系统安全向前发展的必要条件。"
Q&A
Q1：执行框架（harness）是什么？为什么它比AI模型本身更重要？
A：执行框架是包裹AI模型的软件层，负责工具调用、记忆管理和行为规则，能将原始模型转化为可自主行动的智能体。英伟达的研究表明，在处理长期复杂任务时，框架的设计对结果影响更大——同样使用Claude Opus 5，有框架得分100%，无框架仅得30%。框架决定了模型如何记忆上下文、如何获取反馈、如何保持目标方向，是智能体系统真正的"大脑外壳"。
Q2：ARC-AGI-3基准测试是什么？为什么100%满分如此重要？
A：ARC-AGI-3是一套由无说明2D游戏构成的交互推理基准测试，要求AI自行摸索规则并取得胜利，测试方式接近人类解决新问题的方式。达到100%意味着AI的游戏通关能力与人类持平。OpenAI模型在该测试中得分不足10%，调整框架参数后也仅提升至约30%；英伟达通过加入监督者组件实现满分，是目前已知的最高成绩。
Q3：监督者智能体是如何工作的？普通用户能用上吗？
A：监督者智能体是一个独立的AI组件，负责监控主智能体的行为，在其偏离目标、陷入死循环或重复无效路径时介入纠正，类似企业中CEO对员工工作的把控。目前大多数用户使用的Claude Code、Codex等工具仍是单层框架，尚未集成此类监督机制。英伟达构建的AVO框架目前是研究成果，部分相关技术通过Nemo品牌开放，但尚未形成完整的消费级产品。
