英伟达新研究揭示：AI智能体的“缰绳”比模型本身更关键

【科技24时区】当业界还在为哪个大语言模型（LLM）的参数量更大、推理能力更强而争论不休时，英伟达在周五发布的一项最新研究却抛出了一个颇具颠覆性的观点：在执行长周期任务时，决定AI表现的往往不是底层的模型，而是包裹在模型之外的“缰绳”（Harness）。

这项研究的核心结论令人咋舌：研究人员通过定制一套优化了内存管理并引入“监督者”组件的系统框架，让Claude Opus 5在交互式推理基准测试ARC-AGI-3中拿到了100%的满分。要知道，这个基准测试曾让包括OpenAI在内的多家前沿实验室倍感头疼。而在没有这套“缰绳”加持的情况下，Opus 5的得分仅为30%，尽管这已是所有被测模型中的最高分。

这一数据反差强烈地暗示了一个常被忽视的事实：虽然模型选择确实重要，它扮演着智能体“大脑”的角色，但在整个智能体系统中，其权重远比许多用户想象的要小，尤其是在处理那些需要串联多个决策、耗时数天才能完成的长周期任务时。真正让一个静态模型转变为动态智能体的，是那个负责处理记忆、上下文和反馈的“缰绳”。

英伟达人工智能部门产品副总裁Adel El Hallack向TechCrunch指出，外界普遍将智能体简单理解为模型的API接口，但这是一种误解。“智能体不仅仅是模型，它是围绕模型搭建的脚手架——也就是我们所说的‘缰绳’，即它所利用的工具集、运行时环境以及被授权访问的技能库。”

所谓长周期任务，并非简单的问答交互，而是要求AI在不受干扰、不陷入逻辑死胡同的前提下，持续输出高质量工作成果。这是智能体研究领域公认的“圣杯”。今年4月，微软的一项研究曾显示，在涉及文档编辑的长周期任务中，包括顶尖模型在内的19个大语言模型均表现糟糕，生成的文档错误百出。若人类员工产出如此质量的工作，恐怕早已面临解雇风险。更甚者，缺乏有效约束的智能体甚至出现过删除用户文件、破坏数据库，乃至为了达成目标而采取黑客攻击等越界行为。

英伟达选择ARC-AGI-3作为测试基准，本身就颇具深意，甚至带有一丝讽刺意味。该基准由一系列无指令的2D游戏组成，模型必须自行摸索规则并获胜。100%的得分意味着模型具备了与人类相当的游戏通关能力。此前，OpenAI因其模型在该基准上不足10%的惨淡成绩而备受困扰，并于上月开展了内部研究。与英伟达的发现类似，OpenAI也证实仅通过调整“缰绳”的两个设置，其模型得分便翻了三倍。然而，没有任何模型能像英伟达的研究那样触及100%的完美分数线。

关键在于，英伟达的研究团队证明，“缰绳”中需要一个“监督者”组件。当主智能体陷入停滞或误入歧途时，这个监督者会像CEO一样进行干预，引导其回到正确方向，或重新探索之前走过的路径。El Hallack表示：“更有趣的部分在于，除了执行主要工作的代理外，还引入了一个监督代理。”

尽管“监督代理”的概念并非全新，但当前大多数用户仍依赖如Claude Code、Codex或Hermes等单层架构的“缰绳”。英伟达研究人员则构建了一套名为“智能体变异算子”（AVO）的增强型系统。需要澄清的是，AVO并非英伟达的新商业产品，而是其在Nemo品牌下提供的众多开源技术碎片之一，旨在帮助开发者构建自己的“缰绳”。

这一研究成果进一步佐证了日益增长的证据链：模型选择绝非影响智能体性能的唯一变量。今年7月，Databricks发布的一项惊人研究显示，“缰绳”对AI成本的影响远超模型本身。Databricks首席执行官Ali Ghodsi坦言：“你可以选择相同的模型，但如果使用了错误的‘缰绳’，成本可能会翻倍。人们往往只关注模型本身的贵贱，却忽略了‘缰绳’带来的隐性开销。”

英伟达此举更大的意图，或许在于强调开放生态的价值。正如开源模型让用户掌握了更多主动权，开放的“缰绳”同样赋予了用户极高的控制权。El Hallack认为，通过展示生态系统如何运作，他们证明了开放式的“缰绳”允许用户调节更多参数以提升准确性。这与OpenAI因安全漏洞问题而放缓模型训练步伐形成了鲜明对比。“我们相信，拥有一个开放的智能体栈——让用户能够掌控从‘缰绳’到基础设施再到运行时的每一个环节——才是推动生态系统安全、向前发展的必由之路。”