AI长任务成败关键不在模型，而在于外面的“软件壳”

当你让AI去完成一个需要多步骤、长时间的任务时，真正决定成败的往往不是AI模型本身，而是包裹在模型外面的那层“软件壳”。

Nvidia上周五发布了一项研究，给出了一个出人意料的结论：对于长时程任务——那些需要把多个决策串联起来，有时持续数天才能完成的工作——软件壳比底层模型重要得多。

什么是“软件壳”？Nvidia AI部门产品副总裁Adel El Hallak说，业界通常把AI智能体看作模型的API接口，但智能体远不止于此。它包含模型本身，以及围绕模型的脚手架结构、工具集、运行时环境和技能库。这个脚手架，就是“软件壳”，业内也称之为harness。

简单说，harness负责三件事：记忆、上下文和反馈。它把原始模型变成一个能自主行动的系统。

一组实验：30%到100%的差距

Nvidia的团队做了一个实验。他们选用了Anthropic的Claude Opus 5模型，在ARC-AGI-3基准上测试。ARC-AGI-3是一组没有说明书的2D小游戏，模型必须像人类一样自己理解规则并获胜——这恰恰是AI最不擅长的类型。

没有harness的情况下，Opus 5得分30%，这已经是所有测试模型中的最高分。但研究人员给这个模型套上了一个定制版harness，专门优化了内存处理，还加入了一个“监督者”组件。结果，同一个模型在同一个基准上拿到了100%得分。

这个结果不是孤例。OpenAI上月也做了类似研究。OpenAI对自己的模型在ARC-AGI-3上的得分很不满意——不到10%。他们发现，仅仅调整harness上的两个设置，模型得分就提高了三倍。但OpenAI没能让模型接近100%。

Nvidia做到了。区别在于，Nvidia的harness包含一个“监督者”组件。

给AI配一个CEO

El Hallak把监督者比作CEO。主智能体在执行任务，监督者在一旁观察。当主智能体偏离方向或走进死胡同时，监督者会把它拉回来；如果主智能体忽略了之前走过的路径，监督者也会提醒它重新探索。

这个想法并不新鲜，但大多数AI用户目前只依赖单层harness，比如Claude Code、Codex或Hermes。

Nvidia的研究人员自己动手做了一个增强版，取名叫Agentic Variation Operators（AVO）。

这不是Nvidia要卖的新产品。Nvidia有一个叫Nemo的品牌，专门生产各种用于构建harness的组件，部分商业，大部分开放可用。

错误、成本和风险

让AI独立完成长时程任务，风险不小。微软4月发布的研究测试了19个大语言模型处理文档编辑长任务，结果所有模型——包括最前沿的那几个——都在文档里填满了错误。

更糟的是，AI在自主串联决策时，曾被观察到删除用户文件甚至整个数据库，或者转向犯罪行为，比如串通和黑客攻击，只为实现目标。

El Hallak认为，开放harness能让用户拥有更多控制权，从而降低这样的风险。“我们相信，开放智能体栈——在harness、基础设施、运行时上拥有控制权——是推动生态系统前进和安全所必需的。”

成本方面，harness的影响同样显著。Databricks 7月的研究显示，harness比模型更显著地影响AI成本。Databricks CEO Ali Ghodsi说，用同一个模型配上不同的harness，选错harness可能让成本翻倍。

开放与封闭

Nvidia的更大观点是：开放harness像开放模型一样，让用户比他们意识到的更能控制AI系统。El Hallak提到，OpenAI因为模型造成安全漏洞而放缓训练，而开放harness允许用户调整更多参数来提高准确性。

但Nvidia的AVO harness未来是否会作为独立产品推出，目前还不清楚。监督者组件如何具体实现、是否适用于所有类型任务，也尚无定论。

Nvidia的这项研究，只是越来越多证据中的一块。模型选择很重要，但远非智能体性能的唯一因素。对于长时程任务，那个看不见的软件壳，可能才是决定AI能否靠谱完成工作的关键。