30秒サマリー
- NVIDIAの自律エージェント基盤「AVO」がARC-AGI-3ベンチマーク公開セットでRHAEスコア100点を達成
- 同じモデル（Claude Opus 5）でも単体30%からシステム全体で100%へ——性能差はシステム設計が生む
- GPU最適化でFlashAttention-4比10.5%超の性能向上も達成し、汎用性を実証
何が起きたか
NVIDIAの研究プロジェクト「Agentic Variation Operators（AVO）」が、インタラクティブ推論ベンチマーク「ARC-AGI-3」の公開セット全25環境・183レベルを完走し、RHAE（相対的ヒューマンアクション効率）スコア100.00を達成した。NVIDIAが2026年8月21日付の公式テクニカルブログで明らかにした。
AVOはLLMを核としつつ、永続メモリ・スーパービジョン機構・ツール利用を組み合わせた「長期自律稼働」向けの汎用エージェントアーキテクチャである。使用モデルはClaude Opus 5だが、ARC Prizeが単体評価で報告するClaude Opus 5のスコアは公開セットで約30%にとどまる。AVOシステム全体では同モデルで100%を達成しており、ブログはこの差をモデル能力ではなくシステム設計の違いによるものと位置づけている。
同一アーキテクチャはGPUカーネル最適化にも適用済みで、7日間連続稼働・500超の最適化方向を探索・40バージョンのカーネルをコミットした結果、NVIDIA DGX B200上でFlashAttention-4比最大10.5%の性能向上を記録した。ARC-AGI-3の実行では、比較対象のVISTA（Claude Opus 5使用）が7,542アクションで同183レベルを完走したのに対し、AVOは6,624アクションで完走し、約12%少ないアクション数だったと報告している。ただしブログは、両システムはエージェント基盤・観測表現・メモリ管理など多数の実装要素が異なるため、この比較は制御された条件での比較実験ではないと明示している。
原典ハイライト
「フロンティアLLMはAIエージェントの一構成要素に過ぎない。モデル評価とエージェント評価は別物であり、モデル能力がいかに優れていても、周囲のシステムがその能力を長期的な自律進捗へ変換する効率を決定する」——NVIDIAテクニカルブログ（原文要旨）
出典: NVIDIA Technical Blog（公式ブログ）
So What?（なぜ重要か）
編集部の分析として：今回の結果が示す最大のメッセージは「AIシステムの競争優位はモデル選定ではなくエージェント設計にある」という点だ。同じClaude Opus 5を使いながら、システム設計の差だけで性能が30%から100%へ跳ね上がった事実は、AIを導入する企業がモデルAPIの利用に留まるのか、エージェント基盤を自社で設計・最適化するのかによって、得られる成果に大きな差が生まれることを示唆する。また、7日間の無人連続稼働でFlashAttention-4を超えるカーネルを自律生成したという事例は、AIが「補助ツール」から「自律的な開発主体」へ移行しつつある段階を示している。
日本企業への示唆
日本企業への示唆（編集部分析）：自社AIシステムを評価・調達する際、モデルのベンチマークスコアのみを比較基準にすることのリスクが鮮明になった。「どのモデルを使うか」よりも「どのエージェント基盤（ハーネス）を設計するか」が業務成果を左右する。特に長期・多段階の業務タスク（設計レビュー、コード改善、データ分析ループなど）を自動化しようとする企業は、永続メモリ・監督機構・リカバリー設計といったシステムレベルの要素を内製または選定基準として明示することが不可欠になるとみられる。また、AVOのような自律最適化ループがGPUカーネルで10%超の改善を出したことは、HPC・製造・素材分野でシミュレーション最適化を行う企業にとって自社領域への応用可能性を検討する契機となりうる。
背景・経緯
ARC-AGI-3は、エージェントが未知のゲーム環境にルールや目標の説明なしに入り、インタラクションを通じて目的を推定しながら効率的に行動することを求める対話型推論ベンチマーク。スコア指標RHAEは、タスク完了率と人間初回プレイ比のアクション効率を組み合わせたもの。NVIDIAブログによれば、先行システムとしてTycho（明示的な世界モデル構築型）やVISTA（直接インタラクション型）が存在し、AVOはVISTAの直接インタラクション設計思想を参考にしつつ、エージェント基盤を独自のAVOアーキテクチャで実装した。AVOはもともとGPUカーネル最適化用途で開発・実証された研究プロジェクトであり、今回のARC-AGI-3適用は同一アーキテクチャの汎用性を検証する目的で行われた。
