Обвязка агента решает не меньше модели: тот же Opus 5 закрыл все 183 уровня ARC-AGI-3

Внутри AVO работал тот же Claude Opus 5. Сам по себе, на высоком reasoning effort, он брал около 30% и был лучшим среди протестированных моделей. Разница между 30% и 100% — это разница систем, а не моделей.

Не чистый эксперимент. NVIDIA сама пишет, что читать цифры как замер вклада обвязки нельзя: две системы расходятся сразу по бэкенду агента, представлению наблюдений, памяти и управлению контекстом. Какая часть дала прирост, эксперимент не разделяет. Считали только публичный сет из 25 сред, на полу-приватном и приватном сетах ARC Prize эти прогоны не делались.

Повторить можно на своём коде. OpenAI на том же бенчмарке подняла результат втрое двумя настройками. GPT-5.6 Sol с официальным харнессом дал 13,3%, а с сохранением reasoning между ходами и включённым compaction — 38,3%, потратив примерно в 6 раз меньше output-токенов на игру. GPT-5.5 давал 0,4%.

Рецепт автора короткий. Responses API вместо старого Chat Completions, reasoning не выбрасывать между ходами, на длинных задачах включать compaction. В Responses API это один параметр запроса, `context_management=[{"type": "compaction", "compact_threshold": 200000}]`, и отдельный вызов /responses/compact не нужен.

Сам AVO не поставить. Блог NVIDIA не даёт ни репозитория, ни пакета, ни инструкции по установке, только ссылку на препринт. Руками берётся другой стек компании, NemoClaw: репозиторий NVIDIA/nemoclaw-community под Apache 2.0, 94 звезды, 48 форков. Нужны OpenAI-совместимый inference-эндпойнт, Linux с Docker и OpenShell CLI.

Тот же приём работает и на бытовом масштабе. Профиль харнесса для LangChain Deep Agents поднял Nemotron 3 Ultra с 94/127 до 96/127, а на тестах пагинации чтения файла дал 3/3 вместо 0/3 после одного middleware. Профиль лежит в PR #4192 к langchain-ai/deepagents.