Η συζήτηση γύρω από τους AI agents επικεντρώνεται συνήθως στην επιλογή του μοντέλου, όμως η NVIDIA υποστηρίζει ότι η εικόνα είναι πολύ πιο σύνθετη. Στο επίκεντρο της νέας ερευνητικής της δημοσίευσης βρίσκεται το harness, δηλαδή η αρχιτεκτονική που περιβάλλει το μοντέλο και καθορίζει πώς λαμβάνει συμφραζόμενα, πώς εκτελεί ενέργειες, πώς διατηρεί κατάσταση και πώς αποφασίζει ότι μια εργασία έχει ολοκληρωθεί. Σύμφωνα με την εταιρεία, ο σχεδιασμός αυτού του επιπέδου μπορεί από μόνος του να οδηγήσει σε διαφορές διψήφιων ποσοστών στα benchmarks, ακόμη και όταν χρησιμοποιείται το ίδιο ακριβώς μοντέλο. Παράλληλα, επηρεάζει και το κόστος σε tokens, άρα και το συνολικό οικονομικό αποτύπωμα μιας υλοποίησης.
Για να τεκμηριώσει αυτή τη θέση, η NVIDIA Labs παρουσιάζει το NOOA, συντομογραφία του NVIDIA Labs Object-Oriented Agents. Πρόκειται για open source ερευνητικό preview που συνοδεύεται από Python framework, σύστημα μνήμης, δοκιμές δυνατοτήτων και benchmark agents, μαζί με κώδικα, δεδομένα και αξιολογήσεις. Ο στόχος είναι τα αποτελέσματα να είναι αναπαραγώγιμα και να μπορούν να ελεγχθούν ή να αμφισβητηθούν από την κοινότητα. Με αυτόν τον τρόπο, η NVIDIA δεν προτείνει απλώς ένα ακόμη framework, αλλά ανοίγει μια συζήτηση για το ποιο μέρος της απόδοσης οφείλεται τελικά στο μοντέλο και ποιο στο περιβάλλον εκτέλεσής του.
Ένας agent ως κανονικό αντικείμενο Python
Η βασική σχεδιαστική ιδέα του NOOA είναι απλή: ένας agent ορίζεται ως μία κλάση Python. Οι μέθοδοι της κλάσης εκφράζουν τις δυνατότητές του, τα πεδία της αποτελούν την κατάστασή του και τα docstrings λειτουργούν ως prompts. Τα type annotations δεν χρησιμοποιούνται απλώς για τεκμηρίωση, αλλά ως συμβόλαια που επιβάλλονται στη ροή του συστήματος. Αυτό μειώνει την αποσπασματικότητα που συνήθως συναντάται σε agents με πολλά templates, tool schemas, callbacks και εξωτερικά workflow graphs.
Η προσέγγιση αυτή έχει πρακτικό αποτέλεσμα για τις ομάδες ανάπτυξης. Η κατασκευή ενός agent μοιάζει περισσότερο με παραδοσιακή ανάπτυξη λογισμικού και λιγότερο με ένα εύθραυστο σύνολο ετερογενών prompts και εργαλείων. Έτσι, ο agent μπορεί να ελεγχθεί με code review, να δοκιμαστεί με unit tests, να εκδοθεί σε εκδόσεις, να αναδιαρθρωθεί και να καταγραφεί με τα ίδια εργαλεία που χρησιμοποιούνται σε οποιαδήποτε άλλη codebase. Η NVIDIA τονίζει ότι αυτό βοηθά όχι μόνο τους ανθρώπους προγραμματιστές, αλλά και τους AI coding agents που ήδη βασίζονται σε γνώριμα μοτίβα ανάπτυξης.
Οι έξι δυνατότητες που επηρεάζουν την απόδοση
Το NOOA οργανώνεται γύρω από έξι ιδέες διεπαφής που, κατά τη NVIDIA, έχουν άμεση επίδραση στην απόδοση των agents. Η πρώτη είναι τα typed input και output, όπου οι κλήσεις δεν βασίζονται σε ελεύθερο κείμενο αλλά σε τυποποιημένα ορίσματα και επικυρωμένες επιστροφές. Η δεύτερη είναι το pass by reference, ώστε το μοντέλο να εργάζεται πάνω σε ζωντανά Python objects με περιορισμένες προεπισκοπήσεις, αντί για μεγάλα serialized dumps μέσα στα συμφραζόμενα. Η τρίτη είναι το code as action, όπου το μοντέλο δρα γράφοντας Python, με έλεγχο ροής και άμεσες κλήσεις μεθόδων.
Οι υπόλοιπες τρεις αφορούν το πώς οργανώνεται η ίδια η εκτέλεση. Το programmable loop engineering σημαίνει ότι οι βρόχοι ενορχήστρωσης είναι κανονική Python και μπορούν να γραφτούν τόσο από προγραμματιστές όσο και από το ίδιο το μοντέλο. Το explicit object state μεταφέρει τη μόνιμη, τυποποιημένη κατάσταση πάνω στο αντικείμενο του agent, αντί να βασίζεται μόνο στο ιστορικό συνομιλίας. Τέλος, τα model-callable harness APIs επιτρέπουν στο μοντέλο να επιθεωρεί και να διαχειρίζεται blocks συμφραζομένων και ιστορικό γεγονότων μέσω API. Η συνολική λογική είναι ότι η απόδοση βελτιώνεται όταν το μοντέλο δουλεύει μέσα σε σαφέστερα, αυστηρότερα και πιο προγραμματιστικά όρια.
Μνήμη που διαχειρίζεται ο ίδιος ο agent
Ένα από τα πιο ενδιαφέροντα στοιχεία του NOOA είναι το σύστημα μακροπρόθεσμης μνήμης. Αντί για αυτόματη και αδιαφανή σύνοψη στο παρασκήνιο, η μνήμη λειτουργεί ως αποθήκη που ο agent επιμελείται ο ίδιος μέσω model-callable εργαλείων. Μπορεί δηλαδή να γράφει, να αναζητά και να διορθώνει εγγραφές ως μέρος της εργασίας του, ενώ μνήμες σχετικές με την τρέχουσα αλληλεπίδραση εμφανίζονται αυτόματα στα συμφραζόμενα. Οι εγγραφές φέρουν τύπους, βαθμό σημασίας και tags, ενώ οι σχέσεις μεταξύ τους οργανώνονται ως γράφος γνώσης και όχι ως ένα απλό επίπεδο ημερολόγιο.
Η NVIDIA αναφέρει επίσης έναν μηχανισμό reflection στο παρασκήνιο, ο οποίος ενοποιεί διπλές εγγραφές, συνδέει σχετικές πληροφορίες, συμπυκνώνει επεισόδια σε συμπεράσματα και αφαιρεί υλικό που δεν είναι πλέον χρήσιμο. Οι μνήμες αποθηκεύονται σε ένα αναγνώσιμο αρχείο SQLite, κάτι που επιτρέπει στις ομάδες να τις επιθεωρούν, να τις εφεδρεύουν και να τις ελέγχουν με γνωστές πρακτικές. Επιπλέον, οι αποθηκευμένες μνήμες μπορούν να αναφέρονται σε ζωντανή κατάσταση του agent και πολλοί agents μπορούν να μοιράζονται το ίδιο store με ξεχωριστή ιδιοκτησία. Σε αξιολόγηση ARC-AGI-3, η εταιρεία αναφέρει βελτίωση κατά 11,8 μονάδες RHAE σε σχέση με την ίδια λογική που χρησιμοποιούσε σημειώσεις σε αρχεία.
Τι έδειξαν τα benchmarks σε λογισμικό, ασφάλεια και συλλογισμό
Τα αποτελέσματα που δημοσιεύει η NVIDIA καλύπτουν τρία αρκετά διαφορετικά πεδία. Στο SWE-bench Verified, το NOOA φτάνει το 82,2% με GPT-5.5 και το 79,8% με Opus 4.6, χρησιμοποιώντας έναν agent γενικής χρήσης 253 γραμμών χωρίς benchmark-specific prompts. Στο CyberGym L1, το σύστημα λύνει το 86,8% των εργασιών με GPT-5.5, χωρίς πρόσβαση σε δίκτυο και με rule-based έλεγχο για πιθανή εξαπάτηση σε κάθε trajectory. Σύμφωνα με την περιγραφή, το αποτέλεσμα αποδίδεται σε συλλογισμό πάνω στον κώδικα και όχι σε αναζήτηση γνωστών ευπαθειών.
Στο ARC-AGI-3, η NVIDIA δίνει ιδιαίτερη έμφαση στη σχέση απόδοσης και κόστους. Ένας μόνο NOOA agent πετυχαίνει μέσο RHAE 50,2% με GPT-5.5, ενώ στόλος με GPT-5.6-sol φτάνει το 85,1%, με κόστος περίπου 13,3 δολάρια ανά παιχνίδι. Η δημοσίευση σημειώνει ότι και οι δύο διαμορφώσεις μένουν κάτω από τα 20 δολάρια ανά παιχνίδι, προωθώντας το score-cost Pareto frontier του benchmark. Για την εταιρεία, αυτό είναι ένδειξη ότι το harness engineering δεν βελτιώνει μόνο την ακρίβεια, αλλά επηρεάζει αποφασιστικά και την οικονομική αποδοτικότητα.
Λιγότερα tokens, χωρίς context compaction
Ένα από τα ισχυρότερα επιχειρήματα της NVIDIA αφορά την αποδοτικότητα στη χρήση context και tokens. Με GPT-5.5, το NOOA πετυχαίνει 82,2% στο SWE-bench Verified με 29 κλήσεις LLM και περίπου 1,1 εκατομμύριο tokens ανά εργασία. Τα συγκριτικά harnesses που αναφέρονται στη δημοσίευση χρειάζονται 66 κλήσεις και 2,2 εκατομμύρια tokens για 78,2%, ή 29 κλήσεις και 1,3 εκατομμύρια tokens για 78,6%. Με άλλα λόγια, η NVIDIA υποστηρίζει ότι η ίδια ή και καλύτερη απόδοση μπορεί να επιτευχθεί περίπου με το μισό κόστος.
Οι δύο βασικοί μηχανισμοί πίσω από αυτό το όφελος είναι το pass by reference και η αποφυγή της συμπίεσης συμφραζομένων. Επειδή τα αποτελέσματα των εργαλείων γίνονται ζωντανές μεταβλητές Python και δεν επιστρέφουν στα συμφραζόμενα ως μεγάλο κείμενο, το transcript παραμένει append-only και διατηρεί την εγκυρότητα της cache σε όλη τη συνεδρία. Η NVIDIA σημειώνει ότι δεν απαιτείται summarization pass για την επίλυση του SWE-bench με frontier models, καθώς οι ενδιάμεσες συνεδρίες κορυφώνονται στα 22 έως 72 χιλιάδες prompt tokens, κάτω από παράθυρα 200 έως 400 χιλιάδων. Αυτό δεν είναι απλώς μια τεχνική λεπτομέρεια, αλλά ένας παράγοντας που μειώνει καθυστέρηση, πολυπλοκότητα και κόστος.
Η περίπτωση του ARC-AGI-3 και η χρήση στην ανακάλυψη ευπαθειών
Στο ARC-AGI-3, ο agent καλείται να ανακαλύψει κανόνες, στόχους και ελέγχους σε άγνωστα grid games μέσα από πράξεις και παρατήρηση. Η υλοποίηση του NOOA που περιγράφεται είναι μια μονοπρακτορική μεταφορά της αρχιτεκτονικής DreamTeam, όπου έξι εξειδικευμένοι agents και ένα κοινό world model συμπτύσσονται σε έναν agent και μία δεξιότητα 45 γραμμών. Το παιχνίδι εκτελείται σε ξεχωριστή διεργασία του harness και η ανταλλαγή κατάστασης και ενεργειών γίνεται μέσω append-only αρχείων. Σε κάθε βήμα, ο agent χτίζει προγράμματα Python που αναπαριστούν τον κόσμο, ελέγχει τις προβλέψεις τους σε σχέση με όσα συνέβησαν και αναθεωρεί τις υποθέσεις του όταν υπάρχει ασυμφωνία.
Η NVIDIA συνδέει την ίδια αρχιτεκτονική και με ένα πιο απαιτητικό πρόβλημα, την ανακάλυψη ευπαθειών. Εκεί, ο agent δεν αρκεί να εντοπίσει ένα πιθανό σφάλμα σε μεγάλη codebase, αλλά πρέπει να αποδείξει ότι είναι πραγματικό, παράγοντας είσοδο που προκαλεί το σωστό crash και το αναπαράγει. Στην εσωτερική έρευνα της εταιρείας, η αλυσίδα επαλήθευσης υλοποιήθηκε ως ένα μόνο αντικείμενο NOOA με τρεις deterministic gates: για απόφαση crash ή όχι, επιβεβαίωση ότι το crash αντιστοιχεί στην αναφερόμενη ευπάθεια και επανεκτέλεση για αναπαραγωγή. Έτσι, η αποδοχή ενός ευρήματος δεν βασίζεται σε ελεύθερο κείμενο, αλλά σε επιβαλλόμενο κώδικα που αφήνει μία ενιαία, ελέγξιμη διαδρομή εκτέλεσης.
Ένα open source ερευνητικό preview με έμφαση στη διαφάνεια
Η NVIDIA παρουσιάζει το NOOA ως συμβολή στο ευρύτερο οικοσύστημα των open agents και όχι ως αντικατάσταση όλων των υπαρχόντων harnesses. Η αξία του, σύμφωνα με τη δημοσίευση, βρίσκεται στην ανοιχτή διάθεση του framework, των tests, των benchmark agents και της μεθοδολογίας αξιολόγησης. Αυτό επιτρέπει στις ομάδες να ελέγξουν τις υποθέσεις, να δοκιμάσουν παραλλαγές και να κρίνουν στην πράξη ποιο μέρος των αποτελεσμάτων οφείλεται στον σχεδιασμό του harness. Για έναν χώρο όπου οι ισχυρισμοί για την απόδοση συχνά είναι δύσκολο να επαληθευτούν, η διαφάνεια αυτή έχει ιδιαίτερη σημασία.
Η ουσία της ανακοίνωσης είναι ότι η αρχιτεκτονική γύρω από το μοντέλο μετράει όσο και το ίδιο το μοντέλο, ίσως και περισσότερο απ’ όσο υπέθετε μέχρι τώρα η αγορά. Το NOOA επιχειρεί να μεταφέρει τους agents πιο κοντά στις αρχές του δομημένου λογισμικού, με τυποποιημένη κατάσταση, ελέγξιμες διαδρομές, ανθρώπινα αναγνώσιμη μνήμη και καλύτερη παρατηρησιμότητα. Εφόσον τα δημοσιευμένα αποτελέσματα επιβεβαιωθούν από ανεξάρτητες δοκιμές, η συζήτηση για τους AI agents μπορεί να μετακινηθεί από την απλή επιλογή μοντέλου προς τον συστηματικό σχεδιασμό του επιπέδου εκτέλεσης. Αυτό είναι ίσως το πιο ουσιαστικό μήνυμα της έρευνας της NVIDIA.
