NVIDIA AI представила NOOA: об’єктно-орієнтований Python-фреймворк, що перетворює AI-агента на один клас Python

Лабораторія NVIDIA відкрила вихідний код NOOA (NVIDIA Object-Oriented Agents) — модельно-агностичного Python-фреймворку для створення ШІ-агентів. Сьогодні розробка агентів розділена між шаблонами промптів, схемами інструментів, кодом зворотних викликів і графами робочих процесів. NOOA об’єднує все це в одному класі Python. Методи — це дії, які може виконувати модель. Поля — це стан агента. Докстрінги — це промпти. Анотації типів — це контракти, які забезпечує середовище виконання. Метод, тіло якого містить ..., доповнюється під час виконання циклом під керуванням LLM, тоді як метод зі звичайним тілом залишається детермінованим кодом Python. Таким чином, розробники й моделі використовують один інтерфейс, тож поведінку агента можна тестувати, трасувати, рефакторити й контролювати версіями, як звичайне програмне забезпечення. NVIDIA повідомляє про 82,2% у SWE-bench Verified, 86,8% у CyberGym L1 і 85,1% середнього RHAE в ARC-AGI-3 — приблизно з половиною кількості токенів порівняно з відкритими оболонками, з якими проводилося порівняння.

Чи придатний він до розгортання?

Так, але лише всередині ізоляції на рівні ОС. NOOA поширюється за ліцензією Apache 2.0, встановлюється за допомогою pip install nooa (v0.0.8, випущена 30 липня 2026 року) і потребує Python 3.12–3.13. PyPI класифікує його як альфа-версію, а NVIDIA описує його як дослідницький попередній реліз. Агенти можуть виконувати код, згенерований LLM, і NVIDIA прямо зазначає, що перевірки AST та списки заборонених модулів є багаторівневими запобіжними заходами, а не межею ізоляції. Межу ізоляції забезпечує контейнер, віртуальна машина або NVIDIA OpenShell. Моделі можна підключати через LiteLLM, тому працюють розміщені API, Ollama та кінцеві точки vLLM.

• Рівень компаній: ШІ-нативні стартапи та команди платформ середнього бізнесу, які створюють внутрішніх агентів. Корпоративні платформи ШІ та групи прикладних досліджень, що проводять оцінювання або пілотні проєкти. Регульованим робочим навантаженням у промисловому середовищі варто дочекатися стабільного релізу.
• Галузі: інструменти для розробників, кібербезпека, хмарні технології та DevOps, аналітика даних, операційна діяльність у фінансових сервісах, підтримка клієнтів.
• Застосування: тріаж і виправлення проблем у репозиторіях, автоматизація термінала та інфраструктури, конвеєри перевірки вразливостей, пакетна класифікація й вилучення даних у пам’яті, типізована оркестрація мультиагентних систем.

Агент — це об’єкт Python

Лабораторія NVIDIA випустила NOOA (NVIDIA Object-Oriented Agents) — модельно-агностичний Python-фреймворк для створення агентів. Традиційна розробка агентів розподіляє вихідний код між шаблонами промптів, схемами інструментів, зворотними викликами та графами робочих процесів. NOOA об’єднує це в одному класі.

Методи — це дії, які може виконувати модель. Поля — це стан. Докстрінги — це промпти. Анотації типів — це контракти, які забезпечує середовище виконання. Метод, тіло якого містить ..., стає агентним методом і доповнюється під час виконання циклом під керуванням LLM; метод зі звичайним тілом залишається детермінованим кодом Python, який модель може викликати як інструмент.

Постачаються дві стратегії. PredictStrategy — це один типізований виклик LLM із локальним циклом повторних спроб у разі помилки валідації. CodeActStrategy запускає ітеративний Python REPL, у якому модель викликає execute_python(...), доки не виконає return_result(...); результат перевіряється відповідно до анотації типу, що повертається.

Шість можливостей в одному інтерфейсі

Дослідницька команда визначає шість орієнтованих на модель ідей, які, за її твердженням, NOOA вперше поєднує: типізовані вхідні й вихідні дані, передавання за посиланням для живих об’єктів, код як дія, програмоване проєктування циклів, явний стан об’єкта та API оболонки, доступні для виклику моделлю. NVIDIA оцінила чотирнадцять фреймворків і оболонок — LangGraph, Google ADK, PydanticAI, smolagents, Claude Agent SDK, OpenAI Codex, OpenHands та інші — за однаковими критеріями й повідомляє про часткове покриття всіх інших можливостей.

Передавання за посиланням є ключовим елементом. Аргументи надходять як живі об’єкти Python; модель бачить лише обмежений попередній перегляд із конкретним типом, фактичною довжиною та зразком початку й кінця. Список зі ста елементів відображається приблизно в тридцяти токенах, тоді як повна змінна залишається в REPL. Контекст розділено на статичний префікс, який можна кешувати, типізовану історію подій лише з додаванням і динамічні блоки в кінці, що зберігає повторне використання KV-кешу між ходами.

Необов’язкова підсистема пам’яті підключається до незміненого агента. Сім інструментів, доступних для виклику моделлю, записують і відновлюють записи, ранжовані за активацією ACT-R, — усе в одному файлі SQLite, доступному для перевірки людиною.

Продуктивність

Тести можливостей охопили 88 тестів, кожен із яких п’ять разів запускався на десяти моделях: пройдено 4 309 із 4 400 записів (97,9%). Стресова підмножина з шести сімейств, що охоплювала пакетну обробку, відновлення після помилок і декомпозицію, показала результат 84,7%; при цьому розрив між невеликими та передовими моделями зріс із 3,2 до 23 пунктів.

У наскрізному тестуванні модельно-агностичний агент на 253 рядки досягає 82,2% у SWE-bench Verified із GPT-5.5 за максимального рівня зусиль xhigh, порівняно з 78,6% у OpenCode і 78,2% у PI, а також 79,8% з Opus 4.6. У Terminal-Bench 2.0 він досягає 73,0% за високого рівня зусиль проти 60,7% і 68,5%, хоча PI лідирує на рівні xhigh із результатом 75,3%. У CyberGym L1 він розв’язує 86,8% завдань із заблокованим доступом до мережі — це найкращий заявлений результат серед відкритих рішень. В ARC-AGI-3 один агент із навичкою моделювання світу обсягом в одну сторінку досягає середнього RHAE 50,2% із GPT-5.5 і 85,1% із GPT-5.6-sol, витрачаючи менш як 20 доларів на гру.

Ефективність є цікавішим результатом: 82,2% приблизно за 1,1 млн токенів і близько 28 викликів моделі на завдання проти 2,2 млн токенів і 66 викликів у PI за результату 78,2%. Аналіз трас також відзначає завершення з валідацією: OpenCode зупиняється, коли модель відповідає без виклику інструмента, тоді як NOOA вимагає типізований TaskResult, що містить докази та команду перевірки.

Ключові висновки

• Агент — це один клас Python: методи є діями, поля — станом, докстрінги — промптами, анотації — контрактами, дотримання яких забезпечується.
• Тіло методу ... перетворюється на цикл LLM; справжнє тіло залишається детермінованим кодом Python, який може викликати модель.
• Передавання за посиланням зберігає великі дані живими в REPL, тому в SWE-bench не знадобилося стискання контексту.
• 82,2% у SWE-bench Verified і 86,8% у CyberGym L1 приблизно з половиною кількості токенів порівняно з відкритими оболонками, з якими проводилося порівняння.
• Apache 2.0 і встановлення через pip, але альфа-версія — виконуйте згенерований код лише всередині ізоляції на рівні ОС.

---

Ознайомтеся з науковою статтею, репозиторієм GitHub і технічним блогом. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого субреддіту про машинне навчання зі 150 тисячами+ учасників та підписатися на нашу розсилку. Стривайте! Ви є в Telegram? тепер ви також можете приєднатися до нас у Telegram.

Потрібно співпрацювати з нами для просування вашого репозиторію GitHub, сторінки Hugging Face, релізу продукту, вебінару тощо? Зв’яжіться з нами