Nvidia’nın AVO Sistemi ARC-AGI-3’te Yüzde 100’e Ulaştı: Yapay Zekada Asıl Farkı Model Değil “Harness” Yaratıyor
Nvidia’nın yayımladığı yeni araştırma, yapay zeka ajanları konusunda son dönemin en önemli tartışmalarından birini yeniden gündeme taşıdı. Şirketin geliştirdiği Agentic Variation Operators (AVO) adlı ajan mimarisi, Claude Opus 5’i kullanarak ARC-AGI-3 testinin herkese açık bölümünde yüzde 100’lük skora ulaştı.
Sonuç yalnızca güçlü bir yapay zeka modelinin başarısını göstermiyor. Aksine araştırma, özellikle uzun süreli ve çok aşamalı görevlerde yapay zekanın başarısını belirleyen en önemli unsurlardan birinin modelin etrafına kurulan “harness” yani ajan altyapısı olduğunu ortaya koyuyor.
Nvidia’nın verilerine göre Claude Opus 5, ARC Prize tarafından yapılan model seviyesindeki değerlendirmede yaklaşık yüzde 30,16 skor elde etmişti. Nvidia’nın AVO mimarisi içinde aynı model ailesi kullanıldığında ise sistem, ARC-AGI-3’ün 25 herkese açık ortamındaki 183 seviyenin tamamını tamamlayarak 100,00 RHAE skoruna ulaştı. Nvidia ayrıca iki testin farklı yapılandırmalara sahip olması nedeniyle bu sonuçların doğrudan bir performans artışı ölçümü olarak değerlendirilmemesi gerektiğinin altını çiziyor.
Yapay zekada “harness” nedir?
Bir yapay zeka modelini tek başına düşündüğümüzde temel olarak girdileri işleyen ve çıktı üreten bir sistemden söz ediyoruz. Ancak AI agent, yani yapay zeka ajanı oluşturmak için yalnızca modele sahip olmak yeterli değil.
Harness olarak adlandırılan yazılım katmanı; modelin hangi araçları kullanabileceğini, önceki işlemleri nasıl hatırlayacağını, bağlamı nasıl yöneteceğini, aldığı sonuçlara göre nasıl hareket edeceğini ve hata yaptığında nasıl toparlanacağını belirliyor.
Başka bir ifadeyle model ajanın “beyni” olarak kabul edilebilirken harness, bu beynin hafızasını, çalışma düzenini, araçlarını ve karar alma sürecini organize eden sistem olarak görev yapıyor.
Nvidia da araştırmasında uzun süre çalışan ajanların başarısını yalnızca model kapasitesine bağlamanın eksik olduğunu belirtiyor. Şirketin açıklamasına göre modelin yanında kalıcı bellek, araç kullanımı, geri bildirim mekanizmaları, bağlam yönetimi ve hata sonrası toparlanma gibi unsurların birlikte çalışması gerekiyor.
Nvidia AVO nedir?
Nvidia’nın geliştirdiği Agentic Variation Operators (AVO), uzun süre boyunca bağımsız şekilde çalışabilecek yapay zeka ajanları oluşturmak için tasarlanmış genel amaçlı bir ajan mimarisi.
AVO’nun temelinde iki önemli mekanizma bulunuyor:
Kalıcı bellek, ajanın önceki denemelerinden öğrendiği bilgileri sonraki aşamalara taşımasını sağlıyor. Böylece yapay zeka aynı problemi tekrar tekrar sıfırdan çözmeye çalışmak zorunda kalmıyor.
İkinci önemli unsur ise supervisor yani denetleyici ajan.
Ana ajan görev üzerinde çalışmaya devam ederken supervisor, sistemin genel ilerleyişini takip ediyor. Ajan aynı yöntemleri tekrar etmeye başladığında, ilerleme sağlayamadığında veya verimsiz bir yola girdiğinde farklı bir strateji denemesi için müdahalede bulunabiliyor.
Bu yapı kabaca bir şirket organizasyonuna benzetilebilir. Ana ajan işi yapan çalışan rolünü üstlenirken supervisor, sürecin doğru yönde ilerleyip ilerlemediğini kontrol eden bir yönetici gibi davranıyor.
Nvidia’nın açıklamasına göre supervisor özellikle uzun süren görevlerde sistemin aynı hataları tekrarlamasını veya sonuç vermeyen yöntemlere gereğinden fazla zaman harcamasını engellemeye yardımcı oluyor.
ARC-AGI-3 yapay zeka sistemlerini nasıl test ediyor?
ARC-AGI-3, klasik soru-cevap benchmarklarından oldukça farklı bir yapıya sahip.
Testte yapay zeka ajanlarının karşısına daha önce görmedikleri etkileşimli 2D oyun benzeri ortamlar çıkarılıyor. Ancak sisteme oyunun kuralları, amacı veya nasıl kazanılacağı açıklanmıyor.
Ajanın kendi başına;
- mevcut ortamı incelemesi,
- farklı hareketler denemesi,
- hareketlerin sonuçlarını gözlemlemesi,
- oyunun kurallarını keşfetmesi,
- hedefin ne olduğunu anlaması
- ve öğrendiklerini sonraki seviyelerde kullanması
gerekiyor.
ARC Prize, ARC-AGI-3’ü etkileşimli akıl yürütmeyi ölçmek amacıyla geliştirilen bir benchmark olarak tanımlıyor. İlk duyurulduğunda insanların testte yüzde 100 seviyesine ulaşabildiği, dönemin öncü yapay zeka modellerinin ise oldukça düşük sonuçlar aldığı belirtilmişti.
Bu nedenle test, yapay zekanın yalnızca doğru cevabı bilip bilmediğini değil, bilmediği bir ortamda deneme yaparak öğrenip öğrenemediğini ölçmeye çalışıyor.
Claude Opus 5 tek başına yüzde 30, AVO ile yüzde 100
ARC Prize tarafından 24 Temmuz 2026 tarihinde yayımlanan Claude Opus 5 sonuçlarında modelin yüksek akıl yürütme seviyesinde ARC-AGI-3 için yüzde 30,16 skor elde ettiği görülüyor. Bu sonuç yayımlandığı dönemde test edilen modeller arasındaki en yüksek skor konumundaydı.
Nvidia ise Claude Opus 5’i AVO mimarisiyle birleştirerek çok daha farklı bir sonuç elde etti.
AVO sistemi:
25 ortamın tamamını geçti.
183 seviyenin tamamını tamamladı.
Ve 100,00 RHAE skoruna ulaştı.
Sistem toplamda 6.624 ortam aksiyonu kullandı. Nvidia’nın karşılaştırmasına göre Claude Opus 5 kullanan VISTA sistemi aynı 183 seviyeyi tamamlamak için 7.542 aksiyona ihtiyaç duydu. Böylece AVO yaklaşık yüzde 12 daha az aksiyonla aynı seviyeleri tamamlamış oldu.
Ancak burada önemli bir ayrıntı bulunuyor. Nvidia da yaptığı açıklamada yüzde 30 ile yüzde 100 arasındaki farkın yalnızca AVO’ya bağlanamayacağını özellikle belirtiyor.
Testlerde kullanılan akıl yürütme ayarları, gözlem biçimleri, bağlam yönetimi ve diğer sistem bileşenleri farklı olduğu için sonuçlar kontrollü bir A/B testi niteliğinde değil.
Dolayısıyla “AVO Claude Opus 5’i kesin olarak üç kat daha akıllı hale getirdi” demek doğru olmaz.
Araştırmanın gösterdiği nokta daha farklı: Bir modeli değerlendirmek ile aynı modeli kullanan eksiksiz bir ajan sistemini değerlendirmek aynı şey değil.
OpenAI da benzer bir sonuçla karşılaşmıştı
Harness tasarımının ne kadar önemli olabileceğine ilişkin tek çalışma Nvidia’ya ait değil.
OpenAI, 29 Temmuz 2026 tarihinde yayımladığı ARC-AGI-3 araştırmasında kendi modellerinin beklenenden düşük skor almasının nedenlerini incelemişti.
OpenAI’nin verilerine göre GPT-5.6 Sol, resmi harness kullanıldığında ARC-AGI-3 herkese açık testinde yüzde 13,3 skor elde etti.
Ancak iki önemli sistem özelliği etkinleştirildiğinde sonuç yüzde 38,3’e yükseldi.
Bu özelliklerden ilki modelin önceki akıl yürütme bilgilerinin korunması, ikincisi ise uzun bağlamların daha verimli yönetilmesini sağlayan compaction mekanizmasıydı.
OpenAI ayrıca yeni yapılandırmanın çıktı token sayısını yaklaşık 6 kat azalttığını açıkladı.
Bu bulgu da Nvidia’nın ortaya koyduğu temel düşünceyi destekliyor: Model değiştirilmeden bile hafıza ve bağlam yönetimini değiştirmek ciddi performans farkı yaratabiliyor.
Uzun süreli görevler yapay zeka ajanlarının en büyük sınavlarından biri
Günümüzde büyük dil modelleri tek bir soruya yanıt vermek, kod üretmek veya metin oluşturmak gibi nispeten kısa görevlerde oldukça başarılı sonuçlar verebiliyor.
Sorun, aynı sistemden onlarca hatta yüzlerce kararın birbirine bağlı olduğu görevleri gerçekleştirmesini istediğimizde ortaya çıkıyor.
Örneğin bir yazılım ajanının büyük bir projede hata düzeltmesi gerektiğini düşünelim.
Ajanın önce kod tabanını incelemesi, sorunun kaynağını bulması, çözüm geliştirmesi, kodu değiştirmesi, test çalıştırması, sonucu değerlendirmesi ve gerekirse tekrar değişiklik yapması gerekiyor.
Bu süreç uzadıkça önceki bilgilerin unutulması, yanlış varsayımların devam ettirilmesi veya ajanın aynı işlemleri tekrarlaması gibi sorunlar ortaya çıkabiliyor.
Nvidia’nın AVO araştırması tam olarak bu soruna odaklanıyor.
Şirket, AVO’yu daha önce GPU kernel optimizasyonu gibi oldukça uzun süren mühendislik görevlerinde de kullandı. Nvidia’nın verdiği bilgilere göre sistem bir deneyde yedi gün boyunca otonom şekilde çalıştı, 500’den fazla optimizasyon yönü araştırdı ve 40 farklı kernel sürümü oluşturdu.
Bu deney, uzun süre çalışan yapay zeka ajanlarının yalnızca güçlü bir modele değil, aynı zamanda ilerlemeyi koruyabilen bir sistem mimarisine ihtiyaç duyduğunu gösteriyor.
Harness seçimi yapay zeka maliyetini bile iki kat değiştirebiliyor
Harness etkisi yalnızca başarı oranıyla sınırlı değil.
Databricks’in Temmuz 2026’da yayımladığı kodlama ajanları araştırmasında aynı model ve aynı akıl yürütme seviyesi farklı harness sistemleriyle çalıştırıldı.
Sonuçlarda bazı durumlarda görev başına maliyetin iki kattan fazla değişebildiği, buna rağmen sonuç kalitesinin aynı kalabildiği görüldü.
Databricks bunun temel nedenlerinden birinin modele her adımda gönderilen bağlam miktarı olduğunu belirtiyor. Araştırmada daha kompakt bağlam yöneten Pi adlı harness, bazı senaryolarda her turda yaklaşık üç kat daha az bağlam gönderdi.
Bu durum yapay zeka hizmetlerinin maliyetini değerlendirirken yalnızca “hangi model daha ucuz?” sorusunun yeterli olmayabileceğini gösteriyor.
Asıl maliyet;
model + harness + bağlam yönetimi + görev süresi + araç kullanımı
gibi birçok bileşenin birleşiminden ortaya çıkıyor.
Yapay zeka yarışının yeni cephesi modeller değil ajan mimarileri olabilir
Son birkaç yıldaki yapay zeka rekabeti büyük ölçüde hangi şirketin daha güçlü temel modeli geliştirdiği üzerinden ilerledi.
GPT, Claude, Gemini ve diğer büyük dil modelleri benchmark sonuçlarıyla karşılaştırıldı ve çoğu zaman kullanıcılar da bir yapay zeka sisteminin performansını doğrudan kullanılan modele bağladı.
Ancak ajanların yaygınlaşmasıyla birlikte bu yaklaşım giderek daha yetersiz hale geliyor.
Aynı temel model;
farklı bir hafıza sistemi,
daha iyi bağlam yönetimi,
daha doğru araç seçimi,
daha etkili geri bildirim mekanizması
ve supervisor benzeri bir kontrol katmanı sayesinde tamamen farklı performans gösterebiliyor.
Bu nedenle önümüzdeki dönemde yapay zeka şirketleri arasındaki rekabetin yalnızca “en güçlü modeli kim yaptı?” sorusu üzerinden ilerlememesi beklenebilir.
En az bunun kadar önemli başka bir soru ortaya çıkıyor:
“Bu modeli en iyi çalışan ajana kim dönüştürebiliyor?”
Nvidia’nın AVO araştırması bu değişimin güçlü örneklerinden biri olarak öne çıkıyor.
Üstelik Nvidia, AVO’yu şu anda yeni bir ticari ürün olarak sunmuyor. Şirket bunun yerine NeMo ekosistemi altında yapay zeka ajanlarının altyapısını oluşturmak için kullanılabilecek çeşitli açık ve ticari teknolojiler geliştiriyor.
Güçlü model tek başına yeterli olmayabilir
Nvidia’nın araştırmasından çıkarılabilecek en önemli sonuç, yapay zeka modellerinin önemsiz hale geldiği değil.
Daha güçlü modeller halen daha iyi akıl yürütme, kodlama ve problem çözme yetenekleri sunuyor.
Ancak uzun süreli ajan görevlerinde model yalnızca sistemin bir parçası haline geliyor.
Kalıcı bellek, araçlar, bağlam yönetimi, hata düzeltme mekanizmaları ve supervisor gibi yapılar modelin mevcut yeteneklerinin ne kadarının gerçek bir göreve dönüştürülebileceğini belirleyebiliyor.
OpenAI ve Databricks tarafından yayımlanan yakın tarihli çalışmaların da benzer sonuçlara işaret etmesi, önümüzdeki dönemde yapay zeka sektöründe harness ve ajan mimarisi optimizasyonunun en önemli rekabet alanlarından biri olabileceğini gösteriyor.
Nvidia’nın ARC-AGI-3 sonucunun verdiği mesaj oldukça açık:
En iyi yapay zeka ajanını oluşturmak için yalnızca en güçlü modeli seçmek yetmeyebilir. Modelin nasıl hatırladığı, nasıl çalıştığı ve gerektiğinde nasıl yönlendirildiği de en az modelin kendisi kadar önemli olabilir.
