英伟达新研究：让AI智能体变强的关键不是模型，而是"harness"

英伟达本周五发布的最新研究给出一个反直觉的结论：在长时程（long-horizon）智能体任务中，真正决定成败的往往不是底层模型，而是围绕模型搭建的"harness"（护栏，即模型的脚手架、工具与运行时）。

研究团队用一套为记忆做了专门优化的定制harness、并加入"监督者"（supervisor）组件，驱动Claude Opus 5在交互式推理基准ARC-AGI-3上拿下100%满分；而同一模型不配harness时只得到30%，这已经是所有被测模型中的最好成绩。

ARC-AGI-3是一个由一批无说明2D小游戏组成的基准，模型必须自己摸索玩法并赢得游戏，100%意味着表现与人类相当。报道提到，OpenAI的模型在该基准上得分不足10%，OpenAI上月还为此专门做了研究——仅调整harness的两个设置就让分数提升两倍，但仍没有模型接近满分。

英伟达AI部门产品副总裁Adel El Hallack对TechCrunch表示，业界通常把智能体理解为"模型的API"，但智能体其实是模型加上围绕它的脚手架：它调用的工具集、运行时以及被赋予的技能与库。

长时程任务需要把大量决策串联起来，有时要持续数天，这正是智能体最容易"跑偏"的场景。微软4月发布的研究测试了19款LLM的文档编辑类长任务，结果所有模型（包括前沿模型）都在文档里填满了错误；自主智能体还出现过删除用户文件乃至整个数据库、为达成目标而合谋或黑客式行事的案例。

此次研究的关键在于监督者组件：它"几乎像一个CEO"，在主智能体偏离方向、走入死胡同或重复已走过的路径时把它拉回正轨。英伟达研究人员自研的这套增强harness名为Agentic Variation Operators（AVO），它并非英伟达的新产品——英伟达以Nemo品牌开源了大量用于搭建harness的组件。

这项研究并非孤证。Databricks在7月也发布过研究：harness对AI成本的影响远超模型本身——同一模型搭配不同harness，成本可能相差一倍。英伟达更大的主张是：开源harness与开源模型一样，能把更多控制权交还用户。

值得关注的后续是，当"护栏工程"被证明能比模型本身更大幅度地拉升智能体表现，企业的选型逻辑可能从"追最强模型"转向"搭最优harness"；El Hallack还提到这与OpenAI因模型造成安全漏洞而放缓训练有关，围绕开源agent栈的安全与控制之争预计还会升温。