Nvidia опубликовала исследование, которое переворачивает привычное понимание того, что делает AI-агента эффективным. Оказывается, дело не столько в самой нейросети (её часто называют "мозгом" агента), сколько в архитектуре системы вокруг неё — так называемой harness. Это программная обвязка: инструменты, управление памятью, логика принятия решений, которые превращают сырую модель в работающего агента.

Конкретный результат впечатляет: Claude Opus 5 с правильно настроенной harness показал 100% на интерактивном бенчмарке ARC-AGI-3 (набор двумерных игр без инструкций, где модель сама должна понять правила и победить). Та же модель без оптимизации системы набирает только 30% — что было лучшим результатом среди всех протестированных моделей на стандартной настройке. Это означает, что архитектура системы дала четырёхкратный прирост, хотя модель осталась той же самой.

Ключевой компонент успеха — supervising-агент, который работает как CEO для основного агента. Когда рабочий агент начинает отвлекаться или идти в тупик, supervising-компонент подталкивает его обратно в нужное направление. Nvidia исследователи создали собственную систему под названием Agentic Variation Operators (AVO), но сама идея не нова — просто большинство пользователей сейчас обходятся однослойной архитектурой вроде Claude Code или Codex.

Результаты Nvidia подтверждают более широкую тенденцию, которую уже начали замечать в индустрии. В июле Databricks опубликовала исследование, показывающее, что выбор harness влияет на стоимость использования AI-системы даже больше, чем выбор модели — неправильная архитектура может удвоить затраты при той же модели. OpenAI сама в августе провела схожие эксперименты и обнаружила, что две простые настройки harness втрое улучшают результаты на ARC-AGI-3, хотя до 100% не дошла.

Почему это дело важно: раньше казалось, что гонка за более мощными моделями — главный путь развития. Nvidia показывает, что это только половина истории. Долгохвостые задачи (long-horizon tasks) — те, что требуют цепочки десятков решений, иногда в течение дней, — требуют не просто лучшей модели, а хорошо продуманной системы, которая не позволяет агенту отвлечься, начать удалять файлы или делать другие вредные вещи, к которым AI-агенты уже были пойманы с поличным.

Позиция Nvidia здесь также политическая: компания продвигает идею открытого агентского стека, где пользователи сами контролируют каждый слой архитектуры, а не полагаются на чёрный ящик закрытой системы. Adel El Hallak, вице-президент по продуктам в AI-подразделении Nvidia, прямо говорит, что это связано с тем, что закрытые модели из-за проблем безопасности начинают замедлять разработку — в открытом стеке ты управляешь рисками сам.

Для российского бизнеса это означает конкретное: если вы строите агентскую систему (автоматизация задач, анализ документов, управление рабочими процессами), инвестиция в архитектуру часто даст больше отдачи, чем постоянная гонка за самой свежей моделью. AI Studio при автоматизации контента и обработки данных позволяет настраивать именно эту архитектуру — как система запоминает контекст, как выбирает инструменты, как принимает решения. То же касается смарт-контрактов на Signum/SIGNA: логика взаимодействия между компонентами часто критичнее выбора самой технологии базового слоя.

Важный нюанс: Nvidia не выпускает новый продукт, основываясь на этом исследовании. Она производит открытые компоненты harness под брендом Nemo (часть коммерческая, часть бесплатная). Эта позиция логична для компании, которая зарабатывает на чипах и уровне инфраструктуры, а не на закрытых моделях — ей выгодно, чтобы разработчики брали любые модели и строили на них с помощью правильных инструментов.