NVIDIA เอา Claude Opus 5 ตัวเดิมมาห่อด้วย harness ชื่อ AVO แล้วคะแนน ARC-AGI-3 กระโดดจาก 30% เป็น 100%

21 สิงหาคม 2026 NVIDIA เผยแพร่ผลการทดลองที่อ่านแล้วต้องหยุดคิด: ระบบเอเจนต์ชื่อ AVO (Agentic Variation Operators) ผ่านครบ ทั้ง 183 ด่าน ใน 25 สภาพแวดล้อม ของ ARC-AGI-3 ชุดสาธารณะ ได้คะแนน 100.00 RHAE — และสมองที่ใช้ขับคือ Claude Opus 5 ซึ่งเมื่อเรียกตรง ๆ ด้วย reasoning effort สูงสุด ทำได้ ราว 30%

พูดอีกแบบคือ ตัวแปรเดียวที่เปลี่ยนไปไม่ใช่โมเดล แต่คือ สิ่งที่ห่อโมเดลอยู่ — memory, การจัดการ context, ทูลที่ให้ถือ, ลูปตรวจสอบตัวเอง ทีมงานสรุปบทเรียนไว้ประโยคเดียวที่คมมาก: “การประเมินโมเดล ไม่เหมือนกับการประเมินเอเจนต์”

ARC-AGI-3 ยากตรงไหน

ARC-AGI-3 ไม่ใช่ข้อสอบแบบตอบคำถาม แต่เป็นเกมโต้ตอบที่เอเจนต์ถูกโยนเข้าไปในโลกที่ไม่เคยเห็น ไม่มีคู่มือ ไม่มีคำอธิบายกติกา ต้องลองกด ลองสังเกตผล แล้วอนุมานกฎเอาเองว่าอะไรทำให้ชนะด่าน นี่คือสิ่งที่โมเดลภาษาทำได้แย่มาตลอด เพราะมันต้องอาศัย ความต่อเนื่องข้ามหลายร้อยก้าว ไม่ใช่ความฉลาดในการตอบครั้งเดียว

นี่คือเหตุผลว่าทำไม 30% ของ Opus 5 ถึงไม่ใช่ตัวเลขที่น่าอาย — โมเดลเดี่ยว ๆ ไม่มีที่เก็บสิ่งที่เพิ่งเรียนรู้ พอ context เต็มหรือหลุดลูป มันก็ลืมว่าเมื่อกี้ลองอะไรไปแล้ว

AVO ประกอบด้วยอะไร

ตามที่ NVIDIA อธิบาย AVO ไม่ใช่โมเดลใหม่ แต่เป็นสถาปัตยกรรมรอบโมเดล:

• Persistent memory — เก็บโค้ดที่เขียนไป ผลการประเมิน เอาต์พุตจากคอมไพเลอร์ และเหตุผลที่สะสมมา ไม่ใช่เริ่มใหม่ทุกครั้ง
• Supervision — มีตัวเฝ้าดูเส้นทางการค้นหา ถ้าเห็นว่า “ตัน” (stagnation) ก็ผลักให้เปลี่ยนกลยุทธ์
• Tool integration + feedback loops — เอเจนต์รันคำสั่งจริง อ่านเอกสารจริง แล้วใช้ผลลัพธ์จากการรันเป็นตัวยึดความจริง
• Recovery — ทำงานต่อได้ข้ามการเรียกโมเดลหนึ่งครั้ง ไม่ตายเมื่อ context หมด

จำนวน action ที่ใช้จริงคือ 6,624 ครั้ง เทียบกับ VISTA ซึ่งเป็นเจ้าของสถิติเดิมที่ใช้ 7,542 ครั้ง — น้อยกว่าราว 12%

AVO ไม่ได้ถูกออกแบบมาเพื่อเล่นเกมโดยเฉพาะ NVIDIA เปิดตัวมันมาตั้งแต่ปลายมีนาคม 2026 ในฐานะ coding agent ทั่วไป และรายงานผลอีกด้านไว้ด้วย: ในการปรับจูน attention kernel ต่อเนื่องเจ็ดวัน AVO สำรวจแนวทางไปกว่า 500 ทิศทาง คอมมิตเคอร์เนลจริง 40 เวอร์ชัน และได้ผลเร็วกว่า cuDNN สูงสุด 3.5% และเร็วกว่า FlashAttention-4 สูงสุด 10.5% บน DGX B200

ข้อควรระวังที่ NVIDIA เขียนไว้เอง (และควรอ่าน)

เครดิตต้องให้ตรงนี้ — บล็อกต้นทางระบุข้อจำกัดไว้ชัดเจน ไม่ได้ขายอย่างเดียว:

1. ผลนี้เป็น ชุดสาธารณะ 25 สภาพแวดล้อม เท่านั้น ไม่ใช่ชุด semi-private หรือ private ของการแข่งขัน ซึ่งเป็นชุดที่ ARC Prize ใช้ตัดสินจริง
2. การเทียบ 12% กับ VISTA ไม่ใช่ ablation ที่ควบคุมตัวแปร — สองระบบต่างกันทั้ง backend, การแทนภาพที่สังเกตได้, memory และการจัดการ context
3. การทดลองจับคู่ AVO กับ GPT-5.6 Sol ทำแค่กับเกมชุดย่อยที่ยาก เป็นผลเบื้องต้น การเทียบข้ามโมเดลอย่างเป็นระบบยังไม่ได้ทำ

และ ณ วันที่เขียน บล็อกไม่ได้ระบุว่า AVO จะเปิดให้ใช้หรือเปิดซอร์สเมื่อไร มีเพียงการอ้างถึงเปเปอร์ “AVO: Agentic Variation Operators for Autonomous Evolutionary Search” — ต่างจาก EnvHarness ของ Google ที่ปล่อยโค้ด Apache-2.0 ออกมาพร้อมกันในสัปดาห์เดียวกัน

เพิ่มอีกข้อที่ควรเตือนกัน: ARC Prize เองยังไม่มีโพสต์ยืนยันผลนี้บนบล็อกทางการ ตัวเลข 100% นี้จึงเป็นสิ่งที่ NVIDIA รายงานเอง บนชุดที่ NVIDIA รันเอง — ยังไม่ใช่สถิติที่ผ่านการรับรองจากผู้ดูแลเบนช์มาร์ก

มุมมอง AI Curator

ถ้าคุณเป็นคนสร้างเอเจนต์ ข่าวนี้ควรเปลี่ยนวิธีจัดสรรเวลาของคุณ ไม่ใช่แค่เป็นเกร็ดน่าสนใจ

ตลอดสองปีที่ผ่านมา ค่าเริ่มต้นเวลาเอเจนต์ทำงานไม่ดีคือ “รอโมเดลรุ่นหน้า” หรือ “ขยับไปใช้รุ่นแพงกว่า” ผลของ NVIDIA ชี้ว่าในงานประเภท long-horizon ช่องว่างที่ใหญ่ที่สุดไม่ได้อยู่ตรงนั้น — ระยะห่างจาก 30% ไป 100% บนโมเดลตัวเดียวกัน กว้างกว่าระยะห่างระหว่างโมเดลรุ่นติดกันของทุกเจ้ารวมกันเสียอีก และงานที่ปิดช่องว่างนั้นคือ วิศวกรรมระบบธรรมดา ๆ: เก็บสถานะยังไง สรุป context ตอนไหน ตรวจจับว่าเอเจนต์ติดลูปได้ยังไง ให้มันกลับมาทำงานต่อหลังพังได้ยังไง

นี่เป็นข่าวดีสำหรับทีมเล็กและสำหรับนักพัฒนาไทยโดยเฉพาะ เพราะมันคืองานที่ ไม่ต้องมี GPU cluster ก็ทำได้ เราแข่งเทรนโมเดลกับ NVIDIA ไม่ได้ แต่เราออกแบบ memory และลูปตรวจสอบสำหรับโดเมนของเราเองได้ดีกว่าคนนอก — และผลลัพธ์ต่อบาทที่ลงไป ตอนนี้ดูจะสูงกว่าการอัปเกรดไปโมเดลที่แพงกว่าสองเท่ามาก

แต่อย่าอ่านตัวเลข 100% แบบตรงไปตรงมา คำเตือนสามข้อของ NVIDIA ข้างบนสำคัญจริง โดยเฉพาะข้อแรก: เบนช์มาร์กที่รันบนชุดสาธารณะได้เต็มแล้วร่วงบนชุดปิดเป็นเรื่องที่เกิดบ่อยมากในวงการนี้ และ harness ที่ปรับจนพอดีกับ 25 สภาพแวดล้อมที่มองเห็นได้ ก็เสี่ยงจะเป็นการ overfit ต่อ harness เอง ซึ่งเป็นปัญหาเดียวกับที่งาน ASR ของ Hume AI x Hugging Face เพิ่งชี้ให้เห็นเมื่อวานว่าเบนช์มาร์กถูกจูนจนวัดอะไรไม่ได้ ผลจริงต้องรอชุด semi-private

สิ่งที่เอาไปใช้ได้ทันทีโดยไม่ต้องรอ AVO เปิดซอร์ส คือหลักการสามข้อ: (1) อย่าให้เอเจนต์เริ่มจากศูนย์ทุกเทิร์น เก็บสิ่งที่ลองแล้วไม่เวิร์กไว้ด้วย (2) มีตัวเฝ้าดูแยกจากตัวทำงาน ที่ถามว่า “ตันหรือยัง” ทุก N ก้าว (3) ให้ผลจากการรันจริงเป็นตัวตัดสิน ไม่ใช่ให้โมเดลประเมินตัวเอง สามข้อนี้เขียนได้ในโค้ดไม่กี่ร้อยบรรทัด และเป็นแกนเดียวกับที่ทำให้ตัวเลขขยับสามเท่า

แหล่งข่าว

• NVIDIA AVO Reaches 100% on ARC-AGI-3 — NVIDIA Technical Blog
• Nvidia just showed that the harness, not the AI model, is now the real hero — TechCrunch
• Announcing ARC-AGI-3 — ARC Prize