[{"data":1,"prerenderedAt":30},["ShallowReactive",2],{"nr-de-nvidia-avo-100-prozent-arc-agi-3-agenten":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":22,"trackerLabel":23,"headlineStat":24,"image":25,"ogImage":26,"imageAlt":5,"csv":10,"minutes":27,"words":28,"html":29},"nvidia-avo-100-prozent-arc-agi-3-agenten","Nvidia AVO knackt ARC-AGI-3 mit 100 % – Durchbruch bei autonomen Agenten-Architektur","Nvidias Forschungsprojekt AVO (Agentic Variation Operators) hat erstmals einen Frontier-Level-Benchmark für allgemeine KI-Agenten vollständig gelöst. Das System zeigt: Systemdesign schlägt einzelne Modellkraft.","2026-08-22","04:57","2026-08-22T04:57:00+02:00","","22. August 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"Autonomous Agents","KI-Architektur","Benchmark","GPU-Optimierung","Enterprise AI","\u002Fstand-der-ki","KI-Fortschritt","100 % auf ARC-AGI-3","\u002Fnewsroom\u002Fimg\u002Fnvidia-avo-100-prozent-arc-agi-3-agenten.webp","\u002Fog-nr\u002Fnvidia-avo-100-prozent-arc-agi-3-agenten.de.png",3,529,"\u003Cp>Nvidia hat einen Meilenstein bei autonomen KI-Agenten erreicht: Das Forschungsprojekt \u003Cstrong>Agentic Variation Operators (AVO)\u003C\u002Fstrong> erzielte auf dem \u003Cstrong>ARC-AGI-3-Benchmark\u003C\u002Fstrong> einen Score von \u003Cstrong>100,00 RHAE\u003C\u002Fstrong> und löste damit alle \u003Cstrong>183 Level\u003C\u002Fstrong> über \u003Cstrong>25 Umgebungen\u003C\u002Fstrong> hinweg. Das ist bemerkenswert, weil es zeigt, dass nicht die Rohkraft eines einzelnen Sprachmodells entscheidend ist – sondern wie ein Agent seine Werkzeuge, sein Gedächtnis und Feedback organisiert.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>AVO vollendete alle 183 Level\u003C\u002Fstrong> des ARC-AGI-3-Benchmarks mit einer Erfolgsquote von 100 %\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Claude Opus 5 wurde von 30 % auf 100 %\u003C\u002Fstrong> angehoben – nicht durch Modell-Upgrade, sondern durch die AVO-Systemarchitektur\u003C\u002Fli>\n\u003Cli>\u003Cstrong>12 % weniger Umgebungs-Aktionen\u003C\u002Fstrong> als das Vergleichssystem VISTA nötig\u003C\u002Fli>\n\u003Cli>\u003Cstrong>500+ Kernel-Optimierungsrichtungen\u003C\u002Fstrong> autonom erkundet; \u003Cstrong>40 Kernel-Versionen\u003C\u002Fstrong> committed; bis zu \u003Cstrong>10,5 % bessere Performance\u003C\u002Fstrong> als FlashAttention-4 auf DGX B200\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Was ist AVO wirklich?\u003C\u002Fh2>\n\u003Cp>AVO ist kein einzelnes Modell, sondern eine \u003Cstrong>allgemeine Agenten-Architektur\u003C\u002Fstrong>, die Nvidia entwickelt hat. Der Kern: Ein Agent inspiziert Code, führt Tests durch, interpretiert Feedback und revidiert seinen Ansatz – immer wieder, über lange Horizonte hinweg. Das unterscheidet AVO von klassischen Coding-Assistenten, die eine Antwort generieren und dann fertig sind.\u003C\u002Fp>\n\u003Cp>Das System integriert \u003Cstrong>persistentes Gedächtnis, Supervision und Tool-Use\u003C\u002Fstrong> in einer einheitlichen Struktur. Für GPU-Kernel-Optimierung ersetzt AVO die vordefinierten Variationsschritte klassischer evolutionärer Suche durch einen autonomen Agenten, der selbst entscheidet, was zu inspizieren, zu ändern, zu testen und zu committen ist.\u003C\u002Fp>\n\u003Ch2>Der Benchmark-Sieg und was er bedeutet\u003C\u002Fh2>\n\u003Cp>ARC-AGI-3 ist ein etablierter Testfall für allgemeine KI-Intelligenz – nicht spezialisiert auf eine einzelne Aufgabe. Dass AVO hier 100 % erreicht, ist ein Signal: \u003Cstrong>Systemdesign kann Frontier-Level-Performance freischalten\u003C\u002Fstrong>, auch wenn das zugrundeliegende Modell (Claude Opus 5) isoliert nur 30 % schafft.\u003C\u002Fp>\n\u003Cp>Besonders effizient war AVO dabei: Es brauchte \u003Cstrong>12 % weniger Umgebungs-Aktionen\u003C\u002Fstrong> als VISTA, ein anderes Agenten-System. Das deutet auf intelligentere Entscheidungsfindung hin – nicht bloß mehr Versuche, sondern bessere Versuche.\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Metrik\u003C\u002Fth>\n\u003Cth>AVO\u003C\u002Fth>\n\u003Cth>Baseline (Claude Opus 5)\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>ARC-AGI-3 Score\u003C\u002Ftd>\n\u003Ctd>100,00 %\u003C\u002Ftd>\n\u003Ctd>30 %\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Umgebungs-Aktionen\u003C\u002Ftd>\n\u003Ctd>−12 % vs. VISTA\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Kernel-Optimierung\u003C\u002Ftd>\n\u003Ctd>+10,5 % vs. FlashAttention-4\u003C\u002Ftd>\n\u003Ctd>—\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2>Autonome Optimierung in der Praxis\u003C\u002Fh2>\n\u003Cp>Auf GPU-Kernel-Optimierung angewendet, zeigt AVO seine Stärke im \u003Cstrong>produktiven Engineering ohne manuelle Intervention\u003C\u002Fstrong>. Das System erkundete autonom über 500 verschiedene Optimierungsrichtungen, commitete 40 Kernel-Versionen und erreichte auf Nvidias DGX B200 Systemen bis zu 10,5 % bessere Performance als FlashAttention-4. Das ist nicht Brute-Force – das ist gezieltes, lernendes Erkunden.\u003C\u002Fp>\n\u003Cp>Das Besondere: Die gleiche AVO-Architektur funktioniert sowohl für Kernel-Optimierung als auch für ARC-AGI-3. Nur die \u003Cstrong>umgebungsspezifischen Tools und Evaluationen\u003C\u002Fstrong> wechseln. Der Agent selbst bleibt derselbe.\u003C\u002Fp>\n\u003Ch2>Was das für deutsche Unternehmen bedeutet\u003C\u002Fh2>\n\u003Cp>Die Nachricht signalisiert einen Wendepunkt: Autonome Agenten werden nicht durch einzelne Modell-Durchbrüche besser, sondern durch intelligente Systemarchitektur. Für deutsche Unternehmen, die an KI-gestützter Automation, Softwareentwicklung oder Optimierung arbeiten, könnte das bedeuten, dass die Investition in robuste Agenten-Frameworks wichtiger wird als die Jagd nach dem nächsten großen Sprachmodell. AVO zeigt auch: Lange Aufgaben, die Iteration, Feedback und Gedächtnis brauchen, sind für autonome Systeme lösbar – wenn die Architektur stimmt. Das öffnet Türen für Enterprise-Anwendungen, die bisher als zu komplex für Automation galten.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fnvidia-avo-reaches-100-on-arc-agi-3-demonstrating-a-frontier-level-general-purpose-architecture-for-long-horizon-autonomous-agents\u002F\">NVIDIA Developer\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1787386792304]