NVIDIA AVO réussit le jeu public d’ARC‑AGI‑3, pas le test privé

Un parcours complet sur le jeu public d’ARC‑AGI‑3

NVIDIA a annoncé le 21 août 2026 que son système AVO avait terminé les 183 niveaux répartis dans les 25 environnements du jeu public d’ARC‑AGI‑3. La démonstration utilisait Claude Opus 5 comme modèle principal. NVIDIA rapporte un score RHAE de 100,00 %, obtenu en 6 624 actions, contre 7 542 pour VISTA dans la comparaison présentée par l’entreprise. AVO aurait ainsi utilisé environ 12 % d’actions en moins, tout en résolvant l’ensemble public accessible aux chercheurs.

La date importante est celle de cette application à ARC‑AGI‑3. L’architecture AVO elle-même avait été décrite dans un article de recherche mis en ligne le 25 mars. NVIDIA l’avait alors évaluée pendant sept jours sur l’optimisation de noyaux GPU : plus de 500 directions explorées et 40 versions retenues, avec des gains allant jusqu’à 3,5 % face à cuDNN et 10,5 % face à FlashAttention‑4 sur les configurations DGX B200 testées. Ces chiffres concernent des charges et des conditions précises ; ils ne décrivent pas un gain général pour les jeux ou les GPU GeForce.

AVO évalue un système complet, pas seulement un modèle

AVO, pour Adaptive Virtual Organization, assemble plusieurs éléments autour du modèle : une mémoire persistante, des outils pour agir sur l’environnement, des mécanismes de vérification et un superviseur qui peut réorienter le travail. Cette organisation est conçue pour les tâches longues, où une simple fenêtre de contexte ne suffit pas à conserver toutes les hypothèses, les erreurs et les progrès. L’agent peut tester une stratégie, enregistrer ce qu’il apprend, revenir sur une décision et repartir d’un état antérieur sans reconstruire tout son raisonnement.

Appliqué à ARC‑AGI‑3, ce harnais reçoit les images du jeu, choisit des actions et observe leurs conséquences. Il doit déduire les règles d’environnements inconnus à partir de cette interaction, sans recevoir une description complète des objectifs. Le résultat de NVIDIA suggère qu’une meilleure orchestration peut transformer fortement les capacités utiles d’un même modèle. Il ne permet cependant pas d’isoler la contribution de chaque composant : AVO et VISTA n’utilisaient ni le même modèle de base, ni la même représentation, ni la même mémoire, ni exactement la même stratégie de raisonnement.

Pourquoi 100 % ne signifie ni victoire officielle ni AGI

Le chiffre de 100 % doit être lu avec une limite essentielle : il porte sur le jeu public, dont les environnements sont visibles et peuvent servir au développement du système. L’article de présentation d’ARC‑AGI‑3 précise explicitement que cette partie publique est un outil de démonstration et de recherche, pas une mesure valide des progrès vers l’intelligence artificielle générale. Un harnais ajusté après observation de ces niveaux peut apprendre des stratégies très efficaces sans démontrer qu’il généralisera vers des environnements réellement inconnus.

Le classement officiel repose sur des jeux semi-privés et privés, hors de portée pendant le développement. L’équipe ARC Prize indique en outre que le harnais du candidat ne sera pas utilisé tel quel pour ce classement, précisément afin de limiter l’optimisation ciblée du test public. NVIDIA ne publie ici aucun résultat privé ou semi-privé pour AVO. L’entreprise mentionne aussi des essais avec GPT‑5.6 Sol, mais seulement sur un sous-ensemble ; cette expérience ne permet donc pas une comparaison complète entre modèles.

L’impact concret pour les développeurs et les utilisateurs

Pour les développeurs d’agents, le signal utile est méthodologique. Comparer uniquement les modèles devient insuffisant lorsque la mémoire, les outils, la planification et la récupération après erreur déterminent une grande partie du résultat. Une évaluation sérieuse doit documenter le système entier : budget d’actions, durée, accès aux données, variantes testées, possibilités de reprise et degré d’adaptation au benchmark. Sans ces informations, deux scores semblables peuvent masquer des coûts ou des niveaux d’autonomie très différents.

Pour un utilisateur de Codex ou d’un autre agent de développement, AVO ne correspond pas à une nouvelle fonction directement disponible ni à un réglage à activer. Le travail illustre plutôt la direction des futurs outils autonomes : mémoriser un projet sur plusieurs jours, déléguer des sous-tâches et vérifier les résultats avant de conserver une modification. Les gains mesurés sur les noyaux DGX B200 ne doivent surtout pas être traduits en FPS, en temps d’encodage ou en performances locales sans benchmark spécifique.

Le harnais ne remplace pas la sécurité de l’infrastructure

NVIDIA a publié le même jour une analyse complémentaire sur la sécurité des agents. Le harnais peut décider quelles actions tenter, mais l’infrastructure et l’environnement d’exécution déterminent ce que l’agent est réellement autorisé à faire. Pour une tâche longue, une mémoire persistante et des outils puissants augmentent la valeur du système tout en élargissant les conséquences possibles d’une mauvaise instruction, d’une donnée malveillante ou d’un droit d’accès trop généreux.

La recommandation pratique est de placer les protections sous le niveau du modèle : privilèges minimaux, identifiants temporaires, environnement isolé, limites explicites sur les outils et journalisation vérifiable. Un superviseur logiciel ne constitue pas, à lui seul, une frontière de sécurité. Cette réserve sera centrale si les architectures de type AVO passent de benchmarks publics à des dépôts de code, des données d’entreprise ou des machines capables d’exécuter des actions réelles pendant plusieurs heures ou plusieurs jours.

Sources