英伟达最新研究：AI智能体的关键在于“框架”而非模型

英伟达上周五发布了一项有趣的新研究，表明在让AI执行长时程任务时，“框架”（harness）远比底层模型本身更为重要。 简而言之：研究人员只需使用一个经过定制、能良好处理记忆并配备“监督者”（supervisor）式管理组件的框架，就让Claude Opus 5在交互式推理基准测试ARC-AGI-3中取得了100%的满分。（这个基准测试尤其让竞争对手前沿实验室OpenAI感到恼火。）而没有该框架时，Opus 5得分只有30%——这已经是在所有测试模型中取得的最好成绩。 英伟达的研究再次表明，虽然模型选择确实重要——它相当于智能体的大脑——但它在整个智能体系统中所占的比重远低于许多AI用户的认知，尤其是在长时程任务中。框架才是让模型成为智能体的关键：它负责处理记忆、上下文和反馈。 “一般来说，业界几乎把智能体视为模型的API。”英伟达AI部门产品副总裁阿德尔·埃尔·哈拉克（Adel El Hallack）对TechCrunch表示。但智能体实际上远不止如此。“它包含模型本身，也包含围绕模型的脚手架——我们称之为框架，也就是模型所利用的工具集，以及我们赋予它的运行时、相关技能和库。” 长时程任务是指需要将众多决策串联起来、有时甚至需要数天才能完成工作。这与AI仅根据提示输出回复不同。如何让AI在不分心、不跑偏的情况下完成长时程任务，是智能体研究领域的“圣杯”之一。 例如，微软在4月发表的研究中，测试了19个大语言模型在文档编辑长时程任务中的表现，结果发现所有模型——包括前沿模型——都在文档中填入了错误。（如果人类做出这样的工作成果，可能会立即被解雇。） 模型自行串联决策时，也曾被发现删除用户的文件，甚至整个数据库，或者为了达成目标而转向犯罪行为，从串通到黑客攻击不一而足。 英伟达研究人员选择用这个交互式推理基准进行测试，尤其意味深长，甚至有些讽刺。这个基准由一系列无说明的2D游戏组成，模型必须自己弄清楚如何游玩并获胜。100%的得分意味着模型能像人类一样通关游戏。 OpenAI曾因其模型在ARC-AGI-3上不足10%的糟糕得分而大为恼火，并于上月开展了自己的研究。与英伟达一样，OpenAI发现只需调整框架上的两个设置，其模型的得分就能提高两倍。 但没有任何模型能像英伟达研究人员那样接近100%得分。他们表明，框架需要一个“监督者”组件，在智能体陷入困境时引导其走向正确方向。 “更有趣的部分是在主智能体之外引入一个监督智能体来执行工作。”埃尔·哈拉克说。这个监督智能体“几乎像CEO一样，在智能体偏离方向、走上可能通往死胡同的路径，或重新探索以前走过的路径时，轻轻推它一把。” 虽然监督智能体的概念并不算新鲜，但目前大多数智能体用户只依赖一层框架，比如Claude Code、Codex、Hermes等。英伟达研究人员自行打造了一个强化版框架，名为“Agentic Variation Operators”（AVO）。注意，这不是英伟达的新产品。英伟达实际上在Nemo品牌下发布了大量构建框架的开源技术碎片，其中一些是商业化的，许多是开放获取的。 尽管如此，英伟达的研究结果进一步证明，模型选择远非影响智能体性能的唯一因素。例如，7月份Databricks发布了一项惊人研究，表明框架而非模型，对AI成本有着巨大影响。 “你可以选择相同的模型，但使用不同框架；如果选错了框架，成本会显著增加。”Databricks首席执行官阿里·戈迪西（Ali Ghodsi）对TechCrunch说。“所以你以为这个模型贵、那个模型便宜，但等等，你用的什么框架？框架本身就可能让你的成本翻倍。” 英伟达更大的论点在于表明：开源框架与开源模型一样，能让用户获得远超他们想象的控制力。 “我们相信，并正在用生态系统证明，开源框架如何让你通过调节更多旋钮来提升准确性。”埃尔·哈拉克说。“这与OpenAI因模型制造安全漏洞而放慢模型训练有关。” “我们相信，一个开放的智能体栈——让你能控制框架、基础设施和运行时——是我们安全推动生态系统向前发展所需要的。”他补充道。