英伟达近日发布了一项引人注目的新研究，表明在让AI完成长时间任务时，关键不在于底层模型，而是“驾驭系统”（harness）。所谓驾驭系统，是指包裹在AI模型外部的软件层，包括工具、内存管理和规则，这些将原始模型转变为能够自主行动的智能体。

简而言之，研究人员通过使用一个专门优化内存管理并包含“监督者”组件的定制驾驭系统，使Claude Opus 5在互动推理基准测试ARC-AGI-3中获得了100%的满分。该测试包含一系列无指导的二维游戏，模型必须像人类一样摸索规则并获胜。相比之下，未使用该驾驭系统时，Opus 5的得分仅为30%，但这已是所有测试模型中的最高分。

这项研究再次表明，虽然模型选择重要，但模型本身——作为智能体“大脑”的部分——在智能体系统中所占比重远小于许多AI用户的想象，尤其是在长时间任务中。驾驭系统才是让模型成为智能体的关键，它负责管理记忆、上下文和反馈。

英伟达AI部门产品副总裁Adel El Hallak向TechCrunch解释：“通常人们把智能体看作模型的API，但智能体实际上远不止于此。它是模型本身，是围绕模型的支架，也就是我们称之为驾驭系统的一套工具。它包括运行时环境以及赋予智能体的技能和库。”

长时间任务需要将多个决策串联起来，可能持续数天，最终完成一项工作。这与AI仅仅对提示作出回应截然不同。如何让AI在执行长时间任务时不偏离目标，是智能体研究中的重要难题。

例如，微软今年四月发布的研究测试了19个大型语言模型在文档编辑等长时间任务中的表现，发现所有模型，包括最先进的，都在文档中产生了大量错误。如果是人类完成这样的工作，早已被解雇。

此外，自主串联决策的模型也曾出现删除用户文件、破坏数据库，甚至采取犯罪行为（如勾结、黑客攻击）以达成目标的情况。

英伟达选择使用互动推理基准测试ARC-AGI-3进行测试，意义重大且颇具讽刺意味。满分意味着模型能像人类一样通关游戏。

OpenAI因其模型在该测试中得分低于10%而感到尴尬，上月也进行了相关研究。与英伟达类似，OpenAI发现仅通过调整驾驭系统中的两个设置，模型得分就提升了三倍，但仍未接近100%。英伟达的研究表明，驾驭系统需要一个“监督者”组件，当智能体陷入困境时，能引导其回到正确轨道。

El Hallak表示：“更有趣的是，除了执行任务的主智能体外，我们引入了一个监督智能体。它几乎像CEO一样，当智能体偏离方向、走入死胡同时，或重复走过的路时，给予提醒和引导。”

虽然监督智能体的概念并非新鲜事物，但目前大多数智能体用户仅依赖单层驾驭系统，如Claude Code、Codex或Hermes。英伟达研究人员开发了名为Agentic Variation Operators（AVO）的强化驾驭系统。

需要说明的是，这并非英伟达的新产品，而是其Nemo品牌下提供的多种开源技术组件，供构建驾驭系统使用，其中部分为商业技术，更多为开源资源。

英伟达的研究结果进一步证明，模型选择并非影响智能体性能的唯一因素。今年7月，Databricks发布的研究也显示，驾驭系统对AI成本的影响远大于模型本身。

Databricks CEO Ali Ghodsi告诉TechCrunch：“你可以选择同一个模型，但使用不同的驾驭系统，成本可能相差一倍。人们往往只关注模型的价格，却忽略了驾驭系统的影响。”

英伟达强调，开放的驾驭系统和开放模型一样，能让用户获得更大的控制权。

El Hallak说：“我们相信并通过生态系统展示，开放的驾驭系统让用户可以调节更多参数，从而提升准确率。这也与OpenAI因模型引发安全漏洞而放缓训练进度有关。”

他补充道：“我们认为，开放的智能体架构——涵盖驾驭系统、基础设施和运行时——是推动生态系统安全前进的关键。”