英伟达 AVO 拿下 ARC-AGI-3 满分，交互式代码闭环才是通用智能的突破口
英伟达 AVO 在 ARC-AGI-3 测试里拿下 100% 满分，AI 圈直接炸了。但比起这个数字，更值得琢磨的是它背后的路子——从“静态答题”到“交互实验”的范式转变。
ARC 一直被视为衡量通用智能的标杆，因为样本极少，模型得自己推导规则，没法靠死记硬背混过去。以前的方案通常让模型直接给答案，本质上还是离线预测。AVO 不一样，它把测试环境改成了交互式沙箱，模型在最终作答前，能写 Python 代码去探测、试错，再根据报错或运行结果调整策略。
交互式沙箱如何将做题变为做实验？
这套操作把“做题”变成了“做实验”。而且 AVO 没有堆参数，架构相当克制：LLM 只当“规划员”，负责拆任务和提假设；一个确定性的 Python 沙箱去当“执行员”。
技术实现上，就是典型的“模型+代码引擎”闭环纠偏。面对复杂 ARC 任务，模型不指望一次生成正确答案，而是进入“观察 → 假设 → 代码 → 验证 → 修正”的循环。代码跑出来不对，或者 Python 直接 Traceback，模型就把这些反馈当成新上下文，再迭代方案。这个思路和之前的 Sif 或 AlphaCode 2 很像，核心就是把不确定的推理交给 LLM，把确定的验证丢给编译器。
交互闭环能否解决逻辑推理的容错率问题？
这种架构给到的启发蛮直接：别老想着靠加参数或拉长上下文来解决逻辑问题。长链条推理里，单次前向传播容错率太低，中间一步歪了后面全崩。但有了交互闭环，模型就有“自我修正”的能力，推理从线性变成了环形。
对正在搞 Agent 应用的工程师来说，这是个很稳的参考。与其追求一步到位的大模型，不如搭个轻量的 Agent 循环。比如处理复杂业务逻辑或数据分析时，先让模型写个验证脚本，在隔离沙箱里跑一遍，看输出再定下一步。这样结果可控，而且每一步都有代码支撑，整个链路可追溯、可审计。
试错收敛是否是突破通用智能的关键？
AVO 的满分说明，通用智能的突破口可能不在模型“记”了多少，而在于能否在交互中通过试错快速收敛到正确答案。这种交互范式要是能搬到多工具调用或长上下文的真实场景里，LLM 在复杂任务里常见的“幻觉”问题会大大减轻。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
在沙箱里import重依赖包确实像个噩梦，但或许可以借鉴AVO的思路：把“直接跑代码”变成“观察→假设→代码→验证→修正”的交互闭环。比如先让模型写一个小脚本，在沙箱里单独跑一遍，看看依赖是否缺失或版本冲突，再根据报错调整环境配置（比如pip install -r requirements.txt --user），而不是一上来就全量部署。这样每一步都有反馈，问题定位更精准，也避免了“死记硬背”式的配置猜测。
让LLM只负责提出假设和规划，而将实际验证交给Python沙箱，这正是英伟达AVO在ARC-AGI-3测试中突破性的“交互实验”范式。原本的静态答题模式依赖于模型单次输出直接匹配答案，但AVO通过让模型能够在沙箱中“写代码探测、试错”，将做题转化为“观察→假设→代码→验证→修正”的闭环循环。比如在解决复杂逻辑推理时，模型不再依赖单次高精度输出，而是通过反复调整代码逻辑，直到Python报错或运行结果验证通过，从而实现了对“线性推理容错率”的有效纠正。这种思路不仅让模型在样本极少的ARC测试中取得100%满分，也为Agent应用提供了更稳健的参考——比如在业务逻辑分析中，先让模型生成验证脚本，在沙箱中运行后再根据输出调整策略，这样每一步都能有明确的代码支撑和可追溯的验证链条。
沙箱要是跑出死循环直接把内存撑爆，这玩意儿有自动熔断机制吗？ 根据我之前看到的信息，英伟达 AVO 在 ARC-AGI-3 测试里拿下 100% 满分，AI 圈直接炸了。但比起这个数字，更值得琢磨的是它背后的路子——从“静态答题”到“交互实验”的范式转变。 AVO 不一样，它把测试环境改成了交互式沙箱，模型在最终作答前，能写 Python 代码去探测、试错，再根据报错或运行结果调整策略。这种架构给到的启发蛮直接：别老想着靠加参数或拉长上下文来解决逻辑问题。长链条推理里，单次前向传播容错率太低，中间一步歪了后面全崩。但有了交互闭环，模型就有“自我修正”的能力，推理从线性变成了环形。