华为诺亚实验室发布 Memento 3 系统，以 100 分满分成绩通关 ARC-AGI-3 全部 25 款游戏

一句话结论

华为诺亚实验室联合 UCL 推出的 Memento 3 系统，在不更新模型权重情况下，以比人类少 56% 的操作次数通关 ARC-AGI-3 所有关卡，取得满分 RHAE 成绩。

关键要点

• Memento 3 在 ARC-AGI-3 公开集 25 款游戏、183 个关卡中取得满分 100 的 RHAE 成绩，总操作次数为 7518 次。
• 系统基于 Claude Opus 5 作为底模，全程未更新模型权重、未针对游戏微调，仅通过递归自我改进实现能力提升。
• 在 Atari Pong 游戏中，Memento 3 学出控制策略后可不依赖大模型独立操作，三局均以 21:0 零封对手。
• 对照实验显示，保留规则手册可比仅用代码世界模型减少约 9% 操作次数；双世界模型在 wa30 游戏中比单模型减少约 34% 操作次数。
• 系统通过 Git 版本管理维护规则手册迭代记录，tr87 游戏中规则手册共迭代 11 个版本，支持回溯与恢复。

背景与事实

2026 年，华为诺亚方舟实验室联合英国伦敦大学学院（UCL）等团队发布了一项名为 Memento 3 的 AI 智能体系统研究。该系统的核心方法是"Code as Model"（代码即模型），即让 AI 在游戏过程中自主维护两样东西：一份持续更新的规则手册（Rulebook）和一套可执行的世界模型（Executable World Model）。规则手册以 Markdown 文档形式记录 AI 摸索出的游戏规律，可执行世界模型则是 AI 将规则写成 Python 代码后构建的简化游戏模拟器。AI 先在自己的模拟器中推演不同操作路线，再决定下一步行动；发现规则错误时，会修改手册并同步更新代码，随后重新模拟历史操作，逐格对比 64×64 的游戏画面验证准确性，对不上则继续修改。

该研究面向的评测基准为 ARC Prize 推出的 ARC-AGI-3。与早期 ARC 系列侧重出题解题不同，ARC-AGI-3 将 AI 直接放入陌生游戏世界，规则需 AI 自行猜测，目标需自行寻找，操作效果需自行尝试。25 款公开游戏共包含 183 个关卡，画面以像素、方块、颜色和图形为主。ARC Prize 测试数据显示，在操控变形虫移动变色的游戏 r11l 中，10 名参与者全部通关；而在考验符号破译能力的 tr87 中，12 人挑战仅 6 人成功。

在华为团队之前，已有多个团队在该基准上取得显著成绩：普林斯顿大学 Continual Harness 通关 3 款游戏、得分 20.5；英伟达团队参与的 DreamTeam 通关 6 款、得分 38.1；独立研究者 David Courtis 的 OPINE-World 得分 78.4；英伟达 NOOA 得分 85.1；独立开发者 Sergey Rodionov 的 baseline1 通关全部 25 款游戏、得分 99，总操作次数为 8347 次。Memento 3 以 100 分满分通关且操作次数压至 7518 次，比 baseline1 少 829 次。

作为对比，Claude Opus 5 在 ARC Prize 官方标准测试框架下的平均 RHAE 约为 40.7 分；而 Memento 3 使用同一底模，成绩提升至 100 分，提升 59.3 分。研究团队还在 Atari Pong 上验证了该方法：AI 最初误判球拍分区反弹规律，经修正后逐渐掌握真实物理规则；待策略成熟后，系统不再调用大模型，仅由代码独立执行，三局不同开局全部打出 21:0。不使用世界模型时，仅凭大模型逐帧决策，最终得分为 -19，接近随机操作的 -20.7。论文数据显示，Memento 3 约用 9500 帧游戏画面即学出控制策略，而部分传统强化学习方法需数十万甚至上亿帧。

影响分析

这一结果对中文开发者与 AI 从业者具有明确的工程参考价值。它表明，在不改动大模型参数的前提下，通过外部可执行世界模型加规则手册的组合，可以显著提升智能体在陌生环境中的任务效率。对从事具身智能、游戏 AI、自动化测试等方向的团队而言，"先让模型学会规则、再将稳定策略交给代码执行"的路径比让大模型逐步推理更节省 Token 与算力，尤其适合推理成本高、重复性任务多的场景。但需注意，该结论基于规则相对明确的游戏环境，向开放世界迁移时存在不确定性。此外，Memento 3 依赖 Claude Opus 5 开启 Extra-High 推理强度，探索、代码生成与验证过程消耗大量 Token，这意味着该方法目前更适合算力与推理预算充足的研发场景，而非轻量级部署。

适用边界

上述结论仅在以下条件下成立：环境规则有限且可通过离散操作观测、目标可明确定义、AI 能够生成并验证可执行代码。若游戏或现实场景涉及连续动作空间、部分可观测状态、对抗性对手或规则本身不可被代码完整表达，该方法的收益可能显著下降。双世界模型减少 34% 操作次数的结果仅在 wa30 单款游戏中验证，尚不能推广至其他游戏。此外，Memento 3 的满分成绩基于 ARC-AGI-3 公开集，未涵盖私有测试集或更复杂的实时对抗场景。

孤本观察

基于本文事实，编辑判断：Memento 3 的核心贡献并非模型能力本身，而是将"递归自我改进"落地为可检查、可回滚的外部工件（规则手册加 Git 版本加可执行代码），这一工程范式对国内追求低微调、低算力依赖的智能体落地路径具有直接参考价值；但若脱离规则明确、可代码化的前提，其 56% 操作效率优势未必可复现。

来源：量子位