Nvidia выложила в открытый доступ NOOA — фреймворк, в котором ИИ-агент описывается одним Python-классом. Для команд, которые устали от слоёных конструкций из промптов, схем инструментов и графов выполнения, это попытка вернуть агентную разработку в привычную инженерную дисциплину.
NOOA сводит агента к обычному Python-объекту
NOOA расшифровывается как Nvidia Object-Oriented Agents. Идея простая: поля класса хранят состояние, методы становятся действиями агента, строки документации задают инструкцию для модели, а аннотации типов фиксируют контракт на входе и выходе.
В техотчёте «NVIDIA-labs OO Agents: Native Python Object-Oriented Agents», опубликованном на arXiv 22 июля 2026 года, команда во главе с Paul Furgale описывает границу буквально: у обычного метода есть тело и он исполняется как нормальный Python; если тело — это ..., рантайм запускает цикл с LLM. Код открыт на GitHub под Apache 2.0, так что речь не о маркетинговой демке, а о проверяемом инженерном артефакте.
На этом фоне NOOA спорит не с конкретной моделью, а с самим устройством многих агентных обвязок, где логика разложена по отдельным промптам, инструментам и скрытым слоям оркестрации. Nvidia предлагает обратный ход: меньше специальных сущностей, больше обычного Python, который можно прогнать через pytest, ruff и проверку типов.
Шесть идей и меньше лишних токенов
Авторы строят NOOA вокруг шести принципов: типизированный ввод-вывод, передача живых объектов по ссылке, код как основное действие, программируемый цикл выполнения, явное состояние объекта и API рантайма, доступные самой модели. Отсюда и практическая выгода: агенту не нужно заново сериализовать в промпт каждый список, объект заказа или таблицу. Модель видит компактное представление, а работает с настоящим объектом внутри REPL-среды.
Вторая ставка NOOA — модель действует не через длинное меню инструментов, а пишет обычный Python-код с циклами, условиями, импортами и обращением к self. Это сближает агентную логику с обычной серверной разработкой. Для команд из России и СНГ здесь важны две вещи: фреймворк не привязан к одному провайдеру моделей и его проще встроить в уже существующие процессы ревью, тестирования и контроля стоимости. В README показаны сценарии с Anthropic, OpenAI, Ollama и vLLM через LiteLLM.
Бенчмарки показывают не только точность, но и экономию
В capability-тестах paper собрал 88 сценариев в 36 семействах, прогнал их по пять раз на десяти моделях и получил 4309 успешных результатов из 4400, то есть 97,9%. GPT-5.5 прошла набор без единой ошибки, а шесть из десяти моделей превысили 98%.
На SWE-bench Verified картина тоже сильная: NOOA с GPT-5.5 набрал 82,2% при максимальном уровне reasoning effort против 78,6% у OpenCode и 78,2% у PI. При этом обвязка оказалась экономнее: примерно 28 вызовов модели и 1,1 млн токенов на задачу против 66 вызовов и 2,2 млн токенов у PI.
На Terminal-Bench 2.0 NOOA показал 73,0% в режимах high и xhigh. Это выше OpenCode, но ниже PI в режиме xhigh, где тот вышел на 75,3%. Иначе говоря, перед нами не «убийца всех фреймворков», а очень сильный и местами заметно более дешёвый рантайм.
Практическая ценность и ограничения
Главный плюс для разработчиков в том, что агентный код перестаёт жить отдельной мистической жизнью. Его можно тестировать, типизировать, разделять на обычные и агентные методы и хранить состояние прямо в объекте, а не в ворохе скрытых переменных промпта. Для тимлидов и CTO это ещё и вопрос цены поддержки: чем меньше в системе собственных DSL и магических прослоек, тем проще адаптация новых инженеров и тем легче объяснить, почему агент принял конкретное решение.
Но у подхода есть жёсткое ограничение. NOOA — исследовательский фреймворк, который умеет исполнять код, сгенерированный моделью. Nvidia прямо пишет, что AST-проверки и запрет отдельных модулей не заменяют защитный контур. Если агент может писать код, читать файлы и что-то запускать, ему нужна не красивая инструкция, а контейнер, виртуальная машина или другая изоляция на уровне ОС.
Ровно поэтому релиз важен не только для фанатов Nvidia. Крупный поставщик ускорителей вышел в слой, где у агентных систем обычно ломается экономика: состояние, память, валидация, стоимость выполнения и безопасность. Если идея «агент как Python-объект» приживётся, рынок будет меньше спорить о промптах и больше обсуждать тестируемость, интерфейсы рантайма и изоляцию исполнения.
Первоисточники: , и .