英伟达研究：真正的英雄是AI框架，而非模型

英伟达周五发布了一些有趣的新研究，表明在让AI执行长周期任务时，框架（harness）比底层模型重要得多。框架是包围AI模型的软件包装——包括工具、内存管理和规则，能将原始模型转化为可以自主行动的东西。

简而言之：通过使用一个针对内存处理进行优化的定制框架，并加入一个“监督者”（supervisor）式的老板组件，研究人员让Claude Opus 5在交互推理基准ARC-AGI-3上取得了100%的分数。ARC-AGI-3是一组没有说明的2D游戏，模型必须像人类一样摸索玩法并获胜。（这个基准尤其惹恼了竞争对手前沿实验室OpenAI。）没有框架时，Opus 5的得分为30%，但这已经是在所有测试模型中最好的结果。

英伟达的研究再次表明，虽然模型选择确实重要，但模型本身——充当智能体“大脑”的部分——在智能体系统中所占的比例比许多AI用户意识到的要小，尤其是在长周期任务中。框架才是让模型成为智能体的关键：它处理记忆、上下文和反馈。

“一般来说，业界几乎把智能体理解为模型的API，”英伟达AI部门产品副总裁Adel El Hallak（上图）告诉TechCrunch。但智能体实际上不止于此。“它是模型。它是模型周围的脚手架，我们称之为框架，也就是它使用的那套工具。它是运行时，以及我们允许它访问的相关技能和库。”

长周期任务是指需要将许多决策串联起来、有时需要数天才能完成工作的任务。这与AI只对提示做出回应形成对比。如何让AI执行长周期任务而不分心、不陷入异想天开的境地，是智能体研究中的圣杯之一。

例如，微软在四月份发表了一项研究，测试了19个LLM在涉及文档编辑的长周期任务上的表现，发现所有模型（包括前沿模型）都在文档中充满了错误。（如果人类做出这样的工作，很快就会被解雇。）

自主串联决策的模型还被发现会删除用户的文件甚至整个数据库，或者为了达成目标而转向犯罪行为，从串通到黑客攻击。

英伟达研究人员选择使用这种交互推理基准进行测试，尤其意味深长，几乎有点讽刺。100%的分数意味着模型能像人类一样通关游戏。

OpenAI对其模型在ARC-AGI-3上的糟糕得分（不到10%）感到非常不安，上个月也进行了自己的研究。和英伟达一样，OpenAI发现只需调整框架上的两个设置，其模型的得分就达到了原来的三倍。

但没有任何模型像英伟达研究人员那样接近100%的分数。他们表明，框架需要一个“监督者”组件，在智能体陷入困境时将其推向正确的方向。

“更有趣的部分是，除了执行工作的主智能体之外，再引入一个监督智能体，”El Hallak说。它“几乎像CEO一样，在智能体偏离方向或开始探索可能走入死胡同的路径时推动它，或者重新探索它之前走过的路径。”

虽然监督智能体的概念并不新鲜，但如今大多数智能体用户只依靠框架的单层结构，如Claude Code、Codex或Hermes。英伟达研究人员创建了他们自己的强化版框架，名为Agentic Variation Operators（AVO）。

注意，这并不是英伟达的新产品。英伟达实际上在Nemo品牌下提供大量用于构建框架的开源技术片段。其中一些是商业化的，而大部分是开放可用的。

尽管如此，英伟达的结果进一步证明了，模型选择远不是智能体性能的唯一因素。例如，七月份Databricks发表了一项惊人研究，表明框架而非模型对AI成本影响巨大。

“你可以选择相同的模型但使用不同的框架，如果选错了框架，成本会显著增加，”Databricks CEO Ali Ghodsi告诉TechCrunch。“所以你会想，这是昂贵的模型，这是便宜的模型。但等等，你用的是哪个框架？这本身就能让你的成本翻倍。”

英伟达更大的观点是：开放框架与开放模型一样，能让用户获得比他们意识到的更多的控制权。

“我们相信，并且正在通过生态系统证明，开放框架如何让你转动更多旋钮来提升准确率，”El Hallak说。“这与OpenAI因模型造成安全漏洞而放慢模型训练有关。”

“我们相信，拥有一个开放的智能体技术栈——让你能够在框架、基础设施、运行时上拥有控制权——才是我们引领生态安全前进所需要的，”他补充道。