Kontrollarchitektur steigerte die Erfolgsquote auf 100'e Prozent
Am 21. August 2026 veröffentlichte Forschungsergebnisse zeigten, dass nicht das Sprachmodell, sondern die das Modell umgebende Kontrollarchitektur (Harness) der entscheidende Faktor für den Erfolg von KI-Agenten bei komplexen und langfristigen Aufgaben ist. In der Studie von Nvidia-Forschern wurde das Modell Claude Opus 5 durch ein speziell entwickeltes Kontrollsystem unterstützt. Dadurch stieg die Leistungsbewertung des Modells in der interaktiven Schlussfolgerungsumgebung ARC-AGI-3, die ohne spezielle Anleitung durchgeführt wurde, von 30 Prozent auf 100 Prozent.
Sprachmodelle können allein bei Prozessen unzureichend sein, die über textbasierte Anweisungen hinausgehen und über mehrere Tage hinweg mehrstufige Entscheidungen erfordern. In einer Untersuchung, bei der Microsoft im Rahmen von Dokumentationsaufgaben 19 verschiedene große Sprachmodelle testete, war festgestellt worden, dass selbst die fortschrittlichsten Modelle zahlreiche Fehler in Dokumenten verursachten. Feldbeobachtungen, die zeigen, dass autonome KI-Agenten ohne Kontrollmechanismus zu Regelverstößen oder Machtkämpfen neigen können, untermauern ebenfalls den Bedarf an dieser Infrastruktur.
Die Führungsrolle des überwachenden Agenten
Die von Nvidia als AVO (Agentic Variation Operators) bezeichnete Kontrollarchitektur übernimmt die Verwaltung des Speichers, die Überwachung des Kontexts und die Steuerung von Rückkopplungsschleifen. Das wichtigste Element der Architektur ist die über dem Agenten, der die Hauptaufgabe ausführt, angesiedelte Überwachungskomponente. Wenn der Hauptagent in eine Sackgasse gerät oder in einen sich wiederholenden Prozess übergeht, greift dieses Überwachungssystem ein und lenkt den Ablauf wieder auf den richtigen Kurs.
Beim ARC-AGI-3-Test, der 2D-Spiele ohne Anweisungen umfasst, erreichte Claude Opus 5 ohne zusätzliche Komponenten eine Erfolgsquote von 30,16 Prozent und erzielte damit das höchste Einzelergebnis unter den Modellen. Obwohl die Ingenieure von OpenAI das Ergebnis durch Änderungen an den Kontrollparametern ihrer eigenen Modelle verdreifachten, konnten sie keinen vollständigen Erfolg erzielen. Dies verdeutlichte den Unterschied, den die Komponente des überwachenden Agenten ausmachte.
Die Bedeutung offener Architekturen für Kosten und Sicherheit
Die Wirkung der Kontrollarchitektur beschränkt sich nicht nur auf die Genauigkeitsraten. Von Databricks durchgeführte Untersuchungen zeigten, dass eine fehlerhafte Kontrollschicht die Betriebskosten selbst bei Verwendung desselben KI-Modells auf das 2-Fache erhöhen kann.
Ein Agent besteht nicht nur aus einer vom Modell erhaltenen API-Ausgabe.
Ein Agent ist ein Gesamtsystem, das neben dem Modell auch die Architektur des das Modell umgebenden Toolsets, die Laufzeitumgebung und die nutzbaren Bibliotheken umfasst.
Nvidia will Entwicklern über die im Rahmen des quelloffenen NeMo-Ökosystems bereitgestellten Infrastrukturwerkzeuge Kontrollmöglichkeiten bieten. Es wird darauf hingewiesen, dass eine flexible Gestaltung des Kontrollmechanismus anstelle einer kontinuierlichen Erhöhung der Modellgewichte die Kosten optimiert und die Sicherheitsrisiken senkt.