NVIDIA Labs har open-sourcet NOOA NVIDIA Object-Oriented Agents, en model-agnostisk Python-ramme til at bygge AI-agenter. Ifølge den tilgængelige beskrivelse samler NOOA det, der ofte ligger spredt i prompt-skabeloner, værktøjsskemaer, callbacks og workflow-grafer, i én Python-klasse. Metoder beskriver agentens handlinger. Felter bærer tilstand. Docstrings bruges som prompter. Type-annoteringer fungerer som kontrakter, der håndhæves ved kørsel, og metoder med krop af tre prikker udfyldes ved runtime af en LLM-styret løkke, mens metoder med normal krop kører som deterministisk Python.
Materialet beskriver, at udviklere og modeller dermed deler ét interface, så agentadfærd kan testes, traces, refaktoreres og versionsstyres som almindelig software. Den grundidé er central for NOOA: at gøre agenten til et Python-objekt med klare signaturer frem for et miks af artefakter på tværs af formater.
Release, licens og modenhed
NOOA er frigivet under Apache 2.0 og kan installeres via pip. Ifølge kilden ligger pakken på PyPI som version 0.0.8 med release-dato 30. juli 2026 og kræver Python 3.12–3.13. PyPI klassificerer pakken som alpha, og NVIDIA beskriver NOOA som en research preview.
Arkitekturmæssigt fremgår det, at NOOA er model-agnostisk via LiteLLM, så hosted API’er, Ollama og vLLM-endpoints kan bruges. Det beskrives direkte i kildeteksten.
Sikkerhedsmodellen og isolation
NOOA kan eksekvere LLM-genereret kode. NVIDIA oplyser, at AST-tjek og moduledeny-lister er guardrails som defense-in-depth og ikke en egentlig grænse for skade. Ifølge kilden er afgrænsningen en container, en virtuel maskine eller NVIDIA OpenShell. Det er her, indkapslingen skal ligge ved drift.
Kildematerialet beskriver dermed, at statiske tjek kan hjælpe, men ikke erstatter isolation på operativsystemniveau, når kode genereret af en model kan blive kørt.
Benchmarks og tokenforbrug
NVIDIA rapporterer 82,2 procent på SWE-bench Verified, 86,8 på CyberGym L1 og 85,1 i gennemsnitlig RHAE på ARC-AGI-3. Derudover oplyses et omtrent halveret tokenforbrug sammenlignet med de åbne harnesses, der indgik i deres sammenligning. Tallene og tokenforbruget er NVIDIA-rapporterede i det gennemgåede materiale og bør reproduceres uafhængigt, før de bruges som grundlag for planer.
Kilden angiver således både resultater og sammenligningsramme som leverandørens egen rapportering. Det er et forhold, læsere bør være opmærksomme på, når tallene vurderes.
Hvad NOOAs klassestruktur ændrer
I kildeteksten beskrives, at metoder fungerer som handlinger, felter som tilstand og docstrings som prompter, med type-annoteringer som kørselstidskontrakter. Den model samler agenter i én konsistent Python-overflade. Ifølge beskrivelsen gør det test, tracing, refaktorering og versionsstyring mere håndterbar end en opsplitning på tværs af skemaer og graffiler.
Det fremhæves i materialet, at agentens kildekode i den form kan håndteres som almindelig software med klare signaturer og kontrakter.
Model-plugbarhed og lokale modeller
NOOA bruger LiteLLM til at gøre modeller plugbare, så hosted API’er samt lokale endpoints via eksempelvis Ollama og vLLM kan tages i brug. Det fremgår direkte af kildeteksten.
Som separat kontekst rapporterer VentureBeat, at Liquid AI har annonceret LFM2.5-2.6B, en open-weight sprogmodel designet til agentiske arbejdsopgaver, som virksomheden siger kan køre lokalt helt ned til en Raspberry Pi. Denne oplysning stammer fra Liquid AI via VentureBeat og vedrører modelvalg, ikke NOOA i sig selv.
Hvem NVIDIA peger på
I det gennemgåede materiale positionerer NVIDIA NOOA til AI-native startups og mid-market platformteams, der bygger interne agenter, samt enterprise AI-platforme og applied-research-grupper til evalueringer eller pilots. Kilden anbefaler, at regulerede produktionsmiljøer afventer en stabil release, før de går bredt i gang.
Desuden oplister kilden brancher og anvendelser som udviklerværktøjer, cybersikkerhed, cloud og DevOps, dataanalyse, finansielle driftsopgaver og kundesupport. Eksemplerne omfatter repository-issue-triage og patching, terminal- og infrastruktur-automation, valideringspipelines for sårbarheder, store batch-klassifikationer og -ekstraktioner over in-memory data samt typed multi-agent orkestrering. Det er NVIDIA’s egne eksempler i kildematerialet.
Hvad man kan verificere nu
Ifølge de tilgængelige kilder kan følgende forhold verificeres: at NOOA er open source og model-agnostisk, at den samler agentens elementer i én Python-klasse med metoder, felter og docstrings, at type-annoteringer håndhæves ved kørsel, at metoder med ellipsis udfyldes af en LLM-styret løkke, at licensen er Apache 2.0, at pakken ligger på PyPI som v0.0.8 med Python 3.12–3.13 og alfa-klassifikation, at NVIDIA beskriver NOOA som research preview, at isolation på OS-niveau er forudsætningen for sikker drift, og at modeller er plugbare via LiteLLM.
Benchmark-tallene og tokenforbruget er oplyst af NVIDIA i den primære kilde. VentureBeat dækker Liquid AIs påstand om lokal kørsel af LFM2.5-2.6B på små enheder. Begge sæt oplysninger er leverandør-rapporterede og bør læses i den kontekst.
Snitfladen til ingeniørarbejdet
Kildematerialet beskriver, at hvis agenten er et Python-objekt med klare typer og docstrings, følger der en mere traditionel software-cyklus: testbar adfærd, sporbarhed, refaktorering og versionsstyring som normal kode. For udviklingsteams betyder det, at ændringer i agenten i højere grad kan håndteres som almindelige Python-ændringer frem for justeringer i flere formater.
Det er det løfte, NOOA stiller op i materialet: at gøre agentudvikling mere samlet og kontraktstyret via typsignaturer, med mindre fragmentering end i skema- og graf-baserede opsætninger.
Snilld-briefens vurdering
Ifølge en intern brief fra Snilld-teamet matcher NOOAs konsolidering i én agent-klasse en anbefalet engineering-tilgang med færre fragmenterede artefakter, klarere versionsstyring og hurtigere iteration. Briefen fremhæver mulige gevinster som kortere time-to-market for AI-assistenter, lavere vedligeholdelsesomkostninger og enklere onboarding.
Samme brief anfører, at rammer som NOOA kræver professionel implementering, governance, test, sikkerhed, cost-styring og produktionsopsætning for at realisere gevinsterne uden ekstra risiko. Denne vurdering er rådgivende og stammer fra Snilld-teamet.
