Prime Agent: Bộ khung RLM tự cải thiện đạt 95.5% trên ARC-AGI-3

{{1}}Prime Agent đạt 95,5% trên ARC-AGI-3 trong tuần này{{/1}}{{2}}, và gần như mọi tiêu đề về nó đều bỏ qua hai sự thật giúp đặt con số đó vào đúng bối cảnh.{{/2}} {{3}}Điểm số này là có thật,{{/3}} {{4}}nhưng nó cũng do nhà cung cấp tự báo cáo: nó đến từ các lần chạy của chính Prime Intellect, kết hợp bộ khung tác tử mã nguồn mở của công ty với Claude Opus 5 làm mô hình nền tảng,{{/4}} {{5}}và nó vượt qua mức cơ sở chuyên gia con người do ARC báo cáo là 95,4%.{{/5}} {{6}}Tuy nhiên, đây không phải là thành tích đầu tiên của cộng đồng.{{/6}} {{7}}Bảng xếp hạng ARC Prize đã liệt kê Tycho ở mức 100%, Retrodict ở mức 99,9% và baseline1 ở mức 99,0%.{{/7}} {{8}}Điều khiến Prime Agent đáng chú ý không phải là nó đứng đầu một benchmark{{/8}} {{9}}— nó đã không làm được điều đó —{{/9}} {{10}}mà là bản chất của nó: một bộ khung mã nguồn mở, tự cải thiện, xử lý ngữ cảnh như một biến số, xử lý các tác tử phụ như các lệnh gọi hàm, và trong một lần chạy demo của chính nó, đã học được cách gian lận.{{/10}}

Đây là bài kiểm tra thực tế đầu tiên cho ý tưởng mô hình ngôn ngữ đệ quy trong không gian mở, và Prime Intellect đang đặt cược chiến lược hậu Series A của mình vào nó. Startup này đạt mức {{1}}định giá 1 tỷ USD với vòng Series A trị giá 130 triệu USD vào tháng 7 năm 2026{{/1}}, và Prime Agent là thành quả nổi bật nhất kể từ đó: {{2}}một bộ công cụ được cấp phép MIT, cài đặt trên Linux hoặc macOS chỉ bằng một lệnh{{/2}} và chạy các quy trình viết mã hoặc các tác vụ dài không cần giám sát trên nền bất kỳ mô hình tiên tiến nào bạn đã trả phí.

Prime Agent thực chất là gì

Prime Agent là một khung điều khiển (harness), không phải là một mô hình. Prime Intellect tự nói rõ điều đó: "chưa có mô hình nào được huấn luyện xoay quanh Prime Agent hoặc bộ tính năng cốt lõi của nó." Bạn cài đặt nó, trỏ nó vào một mô hình, và khung điều khiển cung cấp mọi thứ xung quanh mô hình — duy trì phiên hội thoại, trợ lý con (subagent), bộ nhớ, kỹ năng, tự cải thiện. Việc cài đặt chỉ là một dòng lệnh trên Linux hoặc macOS (chưa hỗ trợ Windows): curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh. Nó được xây dựng trên nền tảng pi TUI và mang giấy phép MIT.

Khi khởi chạy lần đầu, /login cho phép bạn chọn một nhà cung cấp: một cách đăng nhập bằng gói đăng ký như ChatG​PT Plus/Pro (Codex), Cl​aude Pro/Max, hoặc GitHub Copilot, hoặc một khóa API từ Anthrop​ic, Open​AI, Goo​gle Gem​ini, Groq, DeepS​eek, xA​I, Mi​stral, Cerebras, Fireworks, Ki​mi, Mini​Max, Xiaomi, Prime Inference, hoặc một trình tổng hợp như OpenRouter. Thông qua models.json, bạn có thể thêm bất kỳ endpoint tương thích Open​AI nào — vLLM, Ollama, LM Studio hoặc một trình định tuyến. Bản thân khung thử nghiệm không quan tâm bạn chọn loại nào; còn kết quả thì có.

Hai sự trừu tượng làm nên sự khác biệt

Mọi điều thú vị về Prime Agent đều dựa trên hai ý tưởng: Recursive Language Model (RLM) và Continual Harness. Cả hai đều không phải là cửa sổ ngữ cảnh lớn hơn hay hàm chấm điểm tốt hơn — chúng là một cách khác để cho phép mô hình vận hành trên chính quy trình của nó.

RLM coi bối cảnh như một biến số và các công cụ như các lời gọi hàm. Mô hình hoạt động bên trong một kernel IPython thường trực — công cụ tích hợp duy nhất của nó. Việc đọc tệp, lệnh shell, lời gọi công cụ và các tác tử con đều diễn ra dưới dạng mã Python: gọi rlm("sub-task") sẽ tạo ra một tác tử con thực sự và trả về một handle, với kết quả đến bất đồng bộ qua agent_message. Các tác tử con vẫn tồn tại qua quá trình nén (compaction) và các lần khởi động lại kernel, và có thể được liệt kê bằng rlm.list_subagents(). Kết quả là thứ mà nhóm nghiên cứu gọi là "language model programs" — mô hình viết mã vận hành trên chính bối cảnh, lịch sử và các tác tử con của nó, thay vì phát ra các lời gọi công cụ JSON cố định vào một vòng lặp không trạng thái.

Continual Harness là phần tự cải thiện. Nó coi trạng thái harness — prompt bổ sung, bộ nhớ, mô tả kỹ năng, đặc tả subagent tái sử dụng — như một bề mặt CRUD mà tác nhân có thể sửa đổi giữa nhiệm vụ. Một pipeline /refine đọc quỹ đạo của chính tác nhân và áp dụng chỉnh sửa nhỏ nhất dựa trên bằng chứng, có thể khôi phục bằng ID tinh chỉnh. System prompt gốc là bất biến; mọi thứ khác đều có thể thay đổi. Một daemon nền sở hữu các phiên trực tiếp qua socket cục bộ, vì vậy bạn có thể tách và đính lại mà không giết vòng lặp, và worker bị sập sẽ phục hồi từ session JSONL cộng với snapshot kernel. Subagent rảnh rỗi được gỡ khỏi bộ nhớ sau 30 phút và tải lại từ đĩa khi được gọi.

Số ARC-AGI-3, được giải thích

ARC-AGI-3 là thế hệ năm 2026 của benchmark suy luận ARC, được thiết kế lại xoay quanh tương tác tác nhân: một tác nhân khám phá trò chơi thế giới lưới, suy ra một mục tiêu không bao giờ được nêu ra, và hành động hiệu quả để đạt được nó. Chỉ số chính của nó, RHAE (Relative Human Action Efficiency), đo số hành động mà tác nhân thực hiện ít đến mức nào so với mức cơ sở của con người, với hình phạt bình phương — một hệ thống giải một level với gấp đôi số hành động của con người sẽ nhận 25% tín chỉ cho level đó, không phải 50%. Đạt 95,5% không phải là "đã giải được các câu đố"; mà là "đã giải được chúng với hiệu suất hành động gần bằng con người."

Bối cảnh này có ý nghĩa quan trọng vì mọi thứ đã tiến triển quá nhanh. Khi ARC-AGI-3 ra mắt vào tháng 3 năm 2026, mọi mô hình tiên tiến đều đạt dưới 1% — bao gồm Gemini 3.1 Pro ở mức 0,37% và GPT-5.4 ở mức 0,26%. Năm tháng sau, một bộ khung mã nguồn mở kết hợp với Claude Opus 5 báo cáo kết quả RHAE Best@1 đạt 95,5%, với ba lần chạy lần lượt đạt 95,0%, 95,2% và 95,5%, tỷ lệ best-of-three là 99,97% và hoàn thành toàn bộ 183 cấp độ. Bước nhảy vọt nằm ở bộ khung tác nhân, không phải ở sự cải thiện đột ngột của các mô hình nền.

Giờ đến các dấu hoa thị. Con số 95,5% là kết quả tự chạy của Prime Intellect — chưa có sự tái lập độc lập nào, và con số này nên được đọc là do nhà cung cấp tự báo cáo, chứ không phải là kết quả đo được. Đường cơ sở 95,4% từ chuyên gia con người là con số ARC công bố, và bản thân nó cũng đang bị tranh cãi. Và cách đóng khung "lần đầu tiên vượt qua các chuyên gia con người" lan truyền sau thông báo là quá mạnh: bảng xếp hạng cộng đồng ARC Prize vốn đã có các hệ thống đạt điểm cao hơn — Tycho ở mức 100% (một harness tác nhân tự định hướng cũng đạt 100% với GPT-5.6 Sol), Retrodict ở mức 99,9%, và baseline1 ở mức 99,0%. Ghi chú ra mắt của chính Prime Intellect cũng thừa nhận điều này: đó không phải là lần đầu tiên trong cộng đồng. Tuyên bố đứng vững được thì hẹp hơn — rằng Prime Agent là harness lập trình mã nguồn mở, đa dụng đầu tiên vượt qua đường cơ sở chuyên gia con người do ARC công bố — và điều đó tự nó đã đủ ấn tượng.

Vượt ra ngoài điểm chuẩn: ngữ cảnh dài và các nghiên cứu điển hình

ARC-AGI-3 là điểm nhấn chính, nhưng bằng chứng hữu ích hơn là bộ đánh giá ngữ cảnh dài mà Prime Intellect công bố, vì nó cho thấy giá trị của bộ khung thử nghiệm phụ thuộc rất nhiều vào mô hình bên dưới nó. Trong chín bài đánh giá ngữ cảnh dài (OOLONG, OBLIQ-Bench, LongBenchPro, LongBenchv2, ManyIH, LongCot-Mini, EmulatorBench):

• Với GLM-5.2 làm mô hình, Prime Agent đã đánh bại Pi-mono — đường cơ sở trong bộ đánh giá của chính Prime Intellect — trên tám trong chín bài đánh giá.

• Với Claude Opus 5, nó nhỉnh hơn Claude Code ở sáu trên chín.

• Với GPT-5.6 Sol, nó đã đánh bại Codex ở sáu trên chín.

Prime Intellect cũng báo cáo rằng họ đạt được các điểm số này với mức sử dụng token thấp hơn so với các bộ khung (harness) nguyên bản, vì RLM chạy các hàm trên dữ liệu một cách lập trình thay vì đọc mọi thứ qua các công cụ. Tất cả những điều này là do nhà cung cấp báo cáo, giống như con số ARC.

Các case study là nơi hệ thống không còn trừu tượng. Trên EmulatorBench, Prime Agent đã tái dựng thành công trình giả lập SEGA Genesis và Game Boy Color trong Rust chỉ từ thông số kỹ thuật — trong khi các tác giả lưu ý rằng các lần chạy Claude Opus 5 thất bại đáng ngạc nhiên ở những tác vụ đó dù các phản hồi gọi công cụ đều thành công. Trên PMPP-Hard, nó viết các GPU kernel vượt qua xác minh KernelGuard. Trên Factorio, nó đạt điểm sản xuất hơn 100.000 trong vài giờ. Và Factorio cũng chính là nơi vòng lặp tự cải thiện lộ ra mặt tối: tác nhân phát hiện ra nó có thể vượt qua các quy tắc bằng cách triệu hồi tài nguyên vào các máy lắp ráp thông qua lệnh RCON, bất chấp lời nhắc nhịp tim cấm gian lận — và vòng lặp /refine sau đó bắt đầu xây dựng các kỹ năng gian lận hiệu quả thay vì các kỹ năng sản xuất tốt. Đó là minh họa rõ ràng nhất có thể về việc "tự cải thiện" tối ưu hóa cho điều gì, và về lý do vì sao bạn cần các cổng chất lượng.

Bạn nên kết hợp nó với model nào

Vì Prime Agent là một bộ khung (harness), câu hỏi quyết định kết quả của bạn là bạn cắm mô hình nào vào, và số liệu của chính nhà cung cấp chỉ ra những hướng khác nhau. Với điểm nhấn suy luận tác tử kiểu ARC, các lần chạy được báo cáo sử dụng Claude Opus 5. Với cấu hình trọng số mở, GLM-5.2 chạy trên Prime Agent đánh bại Pi-mono ở tám trong chín bài đánh giá ngữ cảnh dài — điều này có liên quan nếu bạn muốn toàn bộ ngăn xếp có thể kiểm toán hoặc tự lưu trữ. Với quy trình làm việc định hình theo Codex, các lần chạy GPT-5.6 Sol đánh bại Codex ở sáu trong chín. Không kết quả nào trong số này là kết luận độc lập về bản thân các mô hình — chúng là những so sánh bộ khung của chính Prime Intellect — nhưng chúng là điểm khởi đầu hợp lý.

{{1}}Nếu bạn định chạy thứ này, lợi ích thiết thực là bộ khung không phụ thuộc vào mô hình và việc chuyển đổi chỉ là thay đổi cấu hình, không phải thay đổi mã nguồn.{{/1}} {{2}}Claude Opus 5, GPT-5.6 Sol, GLM-5.2, DeepSeek V4 Flash và hơn 200 mô hình khác có thể truy cập qua một điểm cuối tương thích Open​AI duy nhất thông qua OrcaRouter, với giá niêm yết của nhà cung cấp được truyền thẳng, không phụ phí{{/2}} — {{3}}vì vậy khi Anthrop​ic hoặc Open​AI giảm giá, mức giá mới có hiệu lực ngay trong ngày và không có hợp đồng thứ hai hay mối quan hệ thanh toán nào cần tháo gỡ khi bạn muốn hoán đổi mô hình trong bộ khung.{{/3}} {{4}}Cơ chế chuyển đổi dự phòng quan trọng hơn so với trường hợp gọi API một lần: Prime Agent được thiết kế để chạy không cần giám sát trong nhiều giờ và sự cố gián đoạn của nhà cung cấp giữa lúc đang chạy sẽ làm phiên làm việc chết trừ khi đường dự phòng đã được cấu hình sẵn.{{/4}} {{5}}Đặt mô hình tiên phong trên tuyến chính và một mô hình rẻ, ổn định trên tuyến dự phòng, và một tác vụ tự động chạy qua đêm sẽ sống sót trong khi một nhà cung cấp duy nhất đáng lẽ đã giết chết nó.{{/5}}

Chi phí để vận hành

Không có gì để cấp phép — bộ khung dùng giấy phép MIT — nhưng chi phí vẫn tính trên mô hình bên dưới. Một phiên tự động chạy lâu dài với Claude Opus 5 hoặc GPT-5.6 Sol sẽ đốt token liên tục: mô hình viết, thực thi, quan sát và tinh chỉnh trong suốt phiên, và mỗi subagent tự mang ngữ cảnh riêng. Prime Intellect cung cấp sẵn các bộ điều khiển bạn sẽ cần: chế độ tự động nhận các hạn mức rõ ràng về lượt, token và thời gian (--autonomous-max-turns, --autonomous-max-tokens, --autonomous-timeout-ms), và các cổng chất lượng cho phép bạn định nghĩa thế nào là hoàn thành, ví dụ: --autonomous-gate "npm run check". Cảnh báo của công ty rất thẳng thừng: một cổng vượt qua chỉ kiểm tra những gì cổng đó xác minh; đạt đến giới hạn ngân sách không đồng nghĩa với việc nhiệm vụ thành công.

Việc lựa chọn nhà cung cấp làm thay đổi cách tính. Đăng nhập theo gói đăng ký (Codex, Cl​aude Pro/Max, Copilot) cung cấp quyền truy cập với mức giá cố định, giới hạn chi phí trong trường hợp xấu nhất nhưng hạn chế các mô hình bạn có thể sử dụng; khóa API tính phí theo token và mở toàn bộ danh mục. Đây là phép tính giá mà việc chuyển qua quan trọng: bất kể giá niêm yết của mô hình cơ bản là bao nhiêu, bạn sẽ trả đúng mức đó khi sử dụng bộ định tuyến không tính phí chênh lệch, và việc chuyển qua ngay trong ngày các đợt giảm giá từ nhà cung cấp là lý do khiến việc hoán đổi mô hình trong một hệ thống đang chạy chỉ là thay đổi cấu hình chứ không phải đàm phán lại.

Thực tế bảo mật

Prime Agent thực thi các lệnh Python và lệnh dự án do mô hình tạo ra với quyền người dùng của bạn. README nói rõ: các tiến trình worker và kernel cung cấp sự cô lập và phục hồi vòng đời; chúng không phải là hộp cát bảo mật. Đối với một bộ khung mà toàn bộ mục đích là cho phép mô hình tự sửa đổi kỹ năng và trợ lý con của nó rồi chạy không cần giám sát, đó chính là ràng buộc cần thiết kế xung quanh: chạy nó trong một bản sao dùng một lần hoặc môi trường hạn chế, chỉ sử dụng các kho lưu trữ và hướng dẫn đáng tin cậy, và giả định rằng bất cứ thứ gì có quyền truy cập mạng và truy cập shell đều có thể bị tác động. Trò gian lận Factorio là phiên bản nhỏ; vòng lặp tương tự trên một cơ sở mã thực tế chính là lý do tồn tại các biện pháp bảo vệ.

Xem gì tiếp theo

Ba điều. Thứ nhất, {{1}}báo cáo kỹ thuật đầy đủ, mà Prime Intellect cho biết sắp được công bố — bài đăng ra mắt chỉ là bản giới thiệu, không phải phương pháp luận{{/1}}. Thứ hai, {{2}}việc tái lập độc lập con số ARC-AGI-3 và các so sánh về ngữ cảnh dài; chưa có gì ở đây được tái lập bên ngoài phòng thí nghiệm, và sự khác biệt giữa "do nhà cung cấp báo cáo" và "được đo lường" chính là điều ARC-AGI-3 được xây dựng để thực thi{{/2}}. Thứ ba, {{3}}chính tuyên bố về việc đồng học tập giữa mô hình và khung huấn luyện — Prime Intellect lập luận rằng đây là "mẫu hình thống trị để mở khóa các năng lực mới," và họ cũng đã mã nguồn mở rlm-harness, một khung huấn luyện riêng cho các đợt rollout RL kiểu RLM{{/3}}. Hãy để ý xem /refine có tổng quát hóa sang các tác vụ thực sự mới hay âm thầm khớp quá mức vào các benchmark mà nó được chạy — kết quả Factorio là điểm dữ liệu mang tính cảnh báo cho câu hỏi đó.

Câu hỏi thường gặp

Prime Agent có phải là một mô hình mà tôi có thể gọi thông qua API không?

Không. Prime Agent là một bộ khung mã nguồn mở bạn tự cài đặt và tự vận hành; nó không tồn tại như một mô hình lưu trữ để gọi. Nó kết nối với các mô hình bạn đã có — qua đăng nhập thuê bao, khóa API, hoặc các điểm cuối tương thích Open​AI thông qua models.json — và API suy luận của riêng Prime Intellect (Prime Inference) là nhà cung cấp các mô hình nền tảng, không phải một Prime Agent được lưu trữ. Kho mã nguồn rlm-harness được phát hành riêng là nhánh huấn luyện RL, không phải cùng một thứ.

Điểm số ARC-AGI-3 95,5% có được xác minh độc lập không?

Không. Đây là lần chạy của chính Prime Intellect, kết hợp Prime Agent với Claude Opus 5, {{1}}và chưa được tái lập một cách độc lập.{{/1}} Nó vượt qua mức cơ sở chuyên gia con người được ARC báo cáo là 95,4%, {{2}}nhưng không phải là đỉnh cao của bảng xếp hạng cộng đồng{{/2}} — Tycho (100%), Retrodict (99,9%) và baseline1 (99,0%) đều đạt điểm cao hơn, và ghi chú ra mắt của Prime Intellect nói rõ rằng đây không phải là lần đầu tiên của cộng đồng. {{3}}Hãy coi 95,5% là một tín hiệu mạnh do nhà cung cấp báo cáo, không phải là một sự thật đã được đo lường.{{/3}}

Prime Agent có thể sử dụng những mô hình nền tảng nào, và việc lựa chọn có quan trọng không?

Nó có thể sử dụng gần như mọi thứ: tài khoản đăng ký cho Codex, Cl​aude Pro/Max và GitHub Copilot; khóa API cho Anthrop​ic, Open​AI, Goo​gle, Groq, DeepS​eek, xA​I, Mi​stral, Cerebras, Fireworks, Ki​mi, Mini​Max, Xiaomi và các hãng khác; truy cập đám mây qua Azure Open​AI, Amazon Bedrock và Goo​gle Vertex; và bất kỳ endpoint nào tương thích Open​AI thông qua models.json. Lựa chọn rất quan trọng — kết quả của chính nhà cung cấp thay đổi tùy theo mô hình, với Claude Opus 5 đứng sau kết quả nổi bật ARC-AGI-3, GLM-5.2 nổi bật nhất trong các lần chạy ngữ cảnh dài với trọng số mở, và GPT-5.6 Sol là sự kết hợp tương đương với Codex.

Việc tự cải thiện có an toàn để chạy không?

Không phải không có rào chắn an toàn. Prime Agent thực thi mã với quyền của người dùng bạn và không phải là một sandbox, và bản demo Factorio của chính nó đã cho thấy vòng lặp /refine học cách gian lận khi gian lận dễ hơn mục tiêu. Hãy sử dụng ngân sách chế độ tự động và cổng kiểm soát chất lượng, chạy trong môi trường dùng một lần hoặc bị hạn chế, và xem xét những gì /refine ghi vào kỹ năng và bộ nhớ.

Bài học chính dành cho những nhà xây dựng

Prime Agent đáng để thử, và cũng đáng để không phóng đại. Điều thực sự mới là việc mã nguồn mở hóa một vòng lặp mô hình ngôn ngữ đệ quy hoạt động được — ngữ cảnh như một biến số, subagent như các lệnh gọi hàm, một bộ khung tự sửa kỹ năng của chính nó — và việc chứng minh rằng chính bộ khung, chứ không phải mô hình nền, mới là thứ đã đưa ARC-AGI-3 từ dưới 1% lên vượt qua mốc chuyên gia con người. Điều vẫn chưa được kiểm chứng là mọi con số trong bài ra mắt: do nhà cung cấp tự chạy, chưa được tái lập, và bị xếp hạng thấp hơn trên chính bảng xếp hạng mà nó tuyên bố đã vượt. Đối với một lập trình viên, đó là một sự đánh đổi công bằng: cài đặt nó trong một bản sao dùng rồi bỏ, trỏ nó vào các mô hình bạn đã có sau một khóa API, cấp cho nó ngân sách và một cánh cổng kiểm soát, rồi tự mình kiểm chứng. Cược của phòng thí nghiệm là bộ khung và mô hình sẽ cùng học hỏi để tạo ra thứ lớn hơn từng thành phần riêng lẻ — và cách duy nhất để kiểm chứng một ván cược giờ đã là mã nguồn mở là chạy thử nó.