Existe un detalle que mucha gente ignora cuando habla sobre inteligencia artificial en la práctica: el modelo en sí no lo es todo.
Lo que realmente hace que un agente funcione de verdad, especialmente en las tareas más largas y complejas, es el sistema construido a su alrededor. Ese sistema, muchas veces llamado harness, es quien determina cómo el modelo recibe contexto, cómo usa herramientas, cómo mantiene estado, cómo responde al feedback, cómo se recupera de fallos y cómo sostiene el progreso a lo largo de tareas que llevan horas o incluso días. La elección de cómo orquestar decisiones, cómo mantener contexto a lo largo de ejecuciones prolongadas y cómo explorar caminos alternativos sin quedarse atrapado en un bucle interminable importa tanto como los pesos del modelo que está corriendo por debajo.
Es exactamente esto lo que NVIDIA demostró de forma bastante contundente con el AVO, los Agentic Variation Operators, un agente autónomo de uso general que acaba de alcanzar la marca de 100% en ARC-AGI-3, uno de los benchmarks más desafiantes que existen hoy para medir razonamiento interactivo y autónomo. Y lo más interesante es que esta arquitectura no nació en los laboratorios de razonamiento abstracto. Fue probada y aprobada primero en el mundo brutal de la optimización de kernels de GPU, corriendo durante 7 días continuos, explorando más de 500 direcciones de optimización y generando 40 versiones de kernel, llegando a superar bibliotecas consagradas como FlashAttention-4 en hasta un 10,5% 🚀
Entonces, cuando el mismo sistema fue dirigido hacia un benchmark completamente diferente, sin instrucciones, sin reglas definidas, sin objetivos explícitos, los resultados vinieron en la misma dirección. Aquí vas a entender cómo funciona el AVO, qué hizo en ARC-AGI-3, y por qué esto importa mucho más allá de los números.
Qué es el AVO y por qué es diferente
El AVO, sigla de Agentic Variation Operators, es una arquitectura de agente autónomo de codificación desarrollada por NVIDIA con un objetivo bastante específico en mente: resolver problemas de larga duración que exigen exploración continua, revisión de hipótesis y adaptación constante de estrategia. Al igual que los agentes de codificación modernos, el AVO puede inspeccionar y editar código, ejecutar comandos, consultar documentación y validar su propio trabajo mediante la ejecución. Pero lo que realmente lo diferencia es el enfoque en la operación autónoma sostenida a lo largo de horizontes bastante largos.
La lógica central del AVO está en los llamados operadores de variación. En el trabajo de optimización de GPU, el AVO sustituye la etapa de variación predefinida de los sistemas convencionales de búsqueda evolutiva por un agente autónomo que decide por sí solo cómo generar el siguiente candidato — qué inspeccionar, qué cambiar, qué probar y qué comprometer. En términos prácticos, es como tener un investigador que, en lugar de seguir un guion fijo, está todo el tiempo preguntándose: ¿y si lo intento diferente aquí? Y entonces realmente prueba esa variación, mide el resultado y decide si vale la pena continuar por ese camino o abandonarlo. Esta capacidad de auto-revisión en tiempo real es lo que separa al AVO de la mayoría de los agentes que existen hoy en el mercado.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Vale destacar también que el AVO no fue construido para un dominio específico. Se describe como un agente de uso general, lo que significa que la arquitectura no presupone el tipo de problema que va a encontrar. Cuando NVIDIA quiso probarlo en ARC-AGI-3, bastó conectar el mismo agente a una interfaz de tarea diferente. El agente por debajo sigue siendo exactamente el mismo — solo cambian las herramientas específicas del entorno y la forma de evaluación. Esto es técnicamente difícil de lograr, porque los agentes especializados suelen tener mucho más rendimiento en sus dominios precisamente porque fueron ajustados para ese contexto. El AVO apuesta por un enfoque diferente: en vez de optimizar para un tipo de tarea, optimiza para la capacidad de explorar cualquier tipo de tarea.
Memoria persistente y supervisión: los dos pilares
Dos mecanismos son especialmente importantes para que el AVO consiga mantener el progreso más allá de una única ventana de contexto del modelo: la memoria persistente y la supervisión.
La memoria persistente lleva adelante implementaciones anteriores, resultados de evaluación, salidas de compiladores y profilers, además del razonamiento acumulado a lo largo del proceso. Esto permite que el agente retome el trabajo a partir del estado actual, en lugar de reconstruir la búsqueda desde cero repetidamente. Por su parte, el supervisor monitorea la trayectoria más amplia, vigilando estancamientos o ciclos improductivos que se repiten, y puede redirigir al agente principal hacia estrategias alternativas cuando es necesario. Durante la ejecución de 7 días en la optimización de kernels de atención, el agente principal siguió siendo responsable de decidir qué inspeccionar, cambiar, probar y evaluar, mientras el supervisor ayudaba a mantener el progreso cuando la búsqueda llegaba a una meseta.
Siete días optimizando GPU: donde el AVO fue forjado
Antes de hablar sobre el ARC-AGI-3, es importante entender dónde fue realmente probado el AVO por primera vez en condiciones serias. NVIDIA puso al agente a trabajar en una de las tareas más técnicas y exigentes que existen en el mundo de hardware y software de alto rendimiento: la optimización de kernels de GPU. Este tipo de tarea implica reescribir kernels — los programas que corren directamente en el hardware de la GPU — de forma que se extraiga el máximo rendimiento posible, generalmente comparando el resultado contra bibliotecas de referencia altamente optimizadas por equipos de ingenieros a lo largo de años.
El espacio de búsqueda aquí es enorme, el escenario de rendimiento es difícil de razonar directamente, y pequeños cambios de implementación pueden afectar la corrección, el comportamiento de memoria, el escalamiento y el throughput de formas casi imposibles de predecir sin ejecutar. Aun así, en el estudio de kernels de atención, el AVO corrió durante 7 días continuos, exploró más de 500 direcciones diferentes de optimización y produjo 40 versiones distintas de kernel.
Los resultados fueron impresionantes. Corriendo en sistemas NVIDIA DGX B200, los kernels de multihead attention generados superaron a cuDNN en hasta un 3,5% y a FlashAttention-4 en hasta un 10,5% en las configuraciones evaluadas. Después de eso, el agente todavía adaptó el kernel evolucionado para grouped-query attention en aproximadamente 30 minutos de trabajo autónomo adicional. Para quien no está familiarizado con el contexto, FlashAttention es una de las bibliotecas más optimizadas de la comunidad de deep learning, desarrollada por investigadores de alto nivel con años de refinamiento. Superar ese nivel de rendimiento de forma autónoma es el tipo de cosa que llama la atención de cualquier persona que trabaja con sistemas de inteligencia artificial en producción.
Este experimento no fue solo una demostración de capacidad técnica. Funcionó como un entorno de validación extremadamente duro para la arquitectura del AVO, reforzando una visión de sistema sobre el diseño de agentes: construir un stack confiable exige que rendimiento, fiabilidad y seguridad se piensen en el sistema completo, y no se traten como propiedades únicamente del modelo. El hecho de que el AVO haya conseguido navegar ese espacio de forma eficiente, sin perderse en exploración infinita y sin converger demasiado pronto hacia soluciones malas, fue la primera evidencia sólida de que la arquitectura estaba funcionando como se esperaba. Era la base necesaria para el siguiente paso.
ARC-AGI-3: el benchmark que mide razonamiento de verdad
El ARC-AGI-3 es un benchmark de razonamiento interactivo creado específicamente para ser difícil para sistemas de inteligencia artificial. En él, el agente entra en entornos desconocidos, parecidos a juegos, sin instrucciones, sin reglas explícitas y sin un objetivo declarado. Necesita explorar a través de la interacción, inferir la dinámica y los objetivos del entorno, y planificar acciones de forma eficiente a lo largo de niveles progresivamente más difíciles. Es justamente esta combinación de ausencia de instrucciones claras y necesidad de generalización lo que convierte al benchmark en tan relevante como medida de razonamiento autónomo.
La evaluación usa una métrica llamada RHAE (Relative Human Action Efficiency), que combina la completitud de la tarea con la eficiencia de acciones por nivel, comparada con el rendimiento de humanos que enfrentaron el desafío por primera vez. Este rendimiento se agrega a lo largo de niveles y entornos. Es decir, no basta con resolver un estado aislado: el agente necesita preservar conocimiento útil, aprender de interacciones anteriores, recuperarse de errores y gastar acciones del entorno de forma económica.
En lugar de centrar el sistema en una construcción explícita y programática de modelo de mundo, como exploraron enfoques del tipo Tycho, NVIDIA adoptó principios de interacción directa inspirados en VISTA y reimplementó la interfaz de tarea de forma independiente. Vale notar un detalle importante de la configuración: el modelo operó en un modo puramente textual. Cada observación se entregaba como una cuadrícula de texto de exactamente 64 x 64, sin ninguna imagen enviada al modelo. Y, coherente con el setup de interacción directa, el agente recibía únicamente las acciones disponibles, sin ninguna descripción de las reglas u objetivos del juego, teniendo que inferir los efectos de cada acción a través de la propia interacción.
Los números que entregó el AVO
Cuando el AVO fue puesto a resolver el conjunto público del ARC-AGI-3, no recibió un prompt elaborado para ese dominio. El agente fue dirigido al benchmark con la misma arquitectura usada en la optimización de GPU. El resultado fue una puntuación RHAE de 100,00 en los 25 entornos del conjunto público, completando los 183 niveles usando el modelo Claude Opus 5.
Y con eficiencia incluida: el AVO completó todo en 6.624 acciones de entorno. Como referencia, VISTA reporta 7.542 acciones con el mismo Claude Opus 5 para completar los mismos 183 niveles. Es decir, el AVO usó aproximadamente un 12% menos acciones en esta comparación entre sistemas. Es importante ser honestos aquí: esto no debe leerse como un experimento controlado, ya que los dos sistemas difieren en backend del agente, representación de la observación, memoria y gestión de contexto. Una diferencia que puede pesar en horizontes largos es justamente el sistema de memoria del AVO, diseñado para llevar adelante comprensión útil y reducir la exploración repetida.
Para dar más contexto, el propio ARC Prize reporta alrededor del 30% para Claude Opus 5 corriendo solo con esfuerzo de razonamiento alto. La ejecución del AVO usó la misma familia de modelo, pero en un sistema de agente y configuración de evaluación sustancialmente diferentes. Estos números no deben interpretarse como medida directa de la contribución del AVO — pero ilustran muy bien que evaluar un modelo aislado no caracteriza el rendimiento de un agente completo. NVIDIA también probó el AVO con GPT-5.6 Sol en un subconjunto desafiante de juegos, sugiriendo perfiles complementarios entre modelos, dejando una comparación más sistemática para trabajos futuros.
Herramientas que usamos a diario
Qué significa en la práctica el rendimiento del AVO
Es natural que resultados impresionantes en benchmarks generen escepticismo, y con razón. La historia de la inteligencia artificial está llena de momentos en los que un sistema funcionó bien en un entorno controlado y encontró dificultades serias cuando fue expuesto al mundo real. Pero el caso del AVO tiene una característica que lo diferencia del ciclo típico de hype y decepción: la misma arquitectura de agente transfirió de la optimización altamente especializada de kernels de GPU a una tarea de razonamiento interactivo completamente diferente.
En la optimización de GPU, el feedback viene de compiladores, tests, profilers y benchmarks de rendimiento. En ARC-AGI-3, el feedback viene de las transiciones del entorno y de los resultados de las acciones. Las interfaces cambian, pero el ciclo es el mismo: formular una hipótesis, actuar, observar la evidencia, actualizar el estado y continuar. Esto sugiere que la generalidad puede venir no solo del conocimiento de dominio, sino de la propia maquinaria que permite que razonamiento y feedback se acumulen a lo largo del tiempo.
Para quien trabaja con sistemas que dependen de agentes autónomos en producción, lo que el AVO representa es una nueva forma de pensar sobre el diseño de estos sistemas. La capacidad de largo horizonte es una propiedad del sistema completo: la memoria determina qué sobrevive, las herramientas determinan qué acciones son posibles, el feedback ancla el progreso, y la recuperación permite que el trabajo continúe más allá de una única invocación del modelo. La idea de que un agente pueda explorar espacios de solución enormes de forma eficiente, adaptarse continuamente sin intervención y aun así converger hacia respuestas de alta calidad es exactamente el comportamiento que muchos equipos intentan alcanzar con arquitecturas más complejas y costosas.
Otro punto que vale la pena observar es el impacto para la optimización de GPU como área. Tener un agente capaz de explorar el espacio de kernels de forma autónoma y superar resultados de bibliotecas construidas por equipos especializados puede cambiar el ritmo de desarrollo de herramientas de alto rendimiento para deep learning. Históricamente, este tipo de optimización requería ingenieros con conocimiento muy específico de arquitectura de hardware. Si agentes como el AVO consiguen realizar parte de ese trabajo de forma autónoma, el impacto va mucho más allá de NVIDIA — afecta a toda la cadena de desarrollo de sistemas de IA que dependen de hardware eficiente para funcionar a escala.
Al final del día, la lección más importante tal vez sea la más sencilla de resumir: el modelo importa, pero el modelo no es el agente completo. Y entender esa diferencia puede ser lo que separe a los sistemas de IA que funcionan solo en demostraciones de aquellos que realmente sostienen progreso en el mundo real. 🔥
