AnswersPublished19 sources
Memento 3 przeszło 183 poziomy. Kluczem była „ściągawka”, którą AI samo poprawiało
Memento 3 zaliczyło 25 gier i 183 poziomy z publicznego zestawu ARC AGI 3, wykonując 7 518 ruchów wobec 17 135 w przypadku ludzi.[8][27] System nie aktualizował wag modelu ani nie był dostrajany do poszczególnych gier. Połączenie zapisywania hipotez, testowania ich w symulatorze i poprawiania po błędnych przewidywan...
Opublikowane przezObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Memento 3 zaliczyło 25 gier i 183 poziomy z publicznego zestawu ARC AGI 3, wykonując 7 518 ruchów wobec 17 135 w przypadku ludzi.[8][27]
- System nie aktualizował wag modelu ani nie był dostrajany do poszczególnych gier.
- Połączenie zapisywania hipotez, testowania ich w symulatorze i poprawiania po błędnych przewidywaniach pozwalało agentowi lepiej planować kolejne ruchy.[1][5][6]
- Wynik dotyczy publicznego zestawu benchmarku. Sam w sobie nie dowodzi, że metoda równie dobrze sprawdzi się w nieznanych grach lub rzeczywistych, zmiennych warunkach.[7][27]
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Memento 3, developed by Huawei Noah’s Ark Lab, University College London and partners, clear all 25 games and 183 levels of the ARC. Article summary: Memento 3’s reported gain came from changing the agent’s external memory and planning machinery—not the language model’s weights: it repeatedly wrote, tested and revised a rulebook and executable simulator, then used tha. Topic tags: general web, llm, ai, workflow, productivity. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts
Memento 3 poradziło sobie z publicznym zestawem ARC-AGI-3, nie ucząc ponownie modelu językowego. Zamiast tego agent tworzył własny, możliwy do poprawiania opis zasad gry, przekładał go na kod symulatora i korzystał z niego, planując ruchy.1
5
6
Zespół z Huawei Noah’s Ark Lab, University College London i współpracujących instytucji poinformował, że system ukończył wszystkie 25 gier i 183 poziomy publicznego zestawu w 7 518 ruchach. Dla porównania ludzie potrzebowali 17 135 ruchów. To około 44 proc. tej liczby, czyli o około 56 proc. mniej. Memento 3 uzyskało maksymalny wynik 100 w mierze RHAE, która porównuje efektywność działań z wynikiem ludzkim.8
27
Zamiast zgadywać — zapisać zasady i je sprawdzać
W ARC-AGI-3 agent trafia na gry, których reguły i cele nie są mu z góry objaśniane. Musi więc odczytywać je z obserwacji i próbnych działań.7 Memento 3 przechowywało swoje aktualne rozumienie gry w dwóch postaciach:
- Rulebook, czyli edytowalny dokument Markdown z hipotezami o obiektach, działaniach i mechanice. Jeśli agent czegoś jeszcze nie ustalił, może pozostawić tę kwestię otwartą, zamiast uznawać przypuszczenie za fakt.
1
7
- Model świata w kodzie — uproszczony, wykonywalny symulator napisany w Pythonie, który odzwierciedlał zapisane reguły i pozwalał przewidywać skutki ruchów.
5
14
Agent korzystał z tego modelu, by rozważać możliwe działania. Następnie porównywał przewidywania z tym, co faktycznie wydarzyło się w grze. Jeśli wynik się nie zgadzał, mógł zmienić regułę i odpowiadający jej kod. Cały proces opierał się na powtarzanej pętli: obserwacja, analiza, korekta zasad, kompilacja i weryfikacja.1
5
W jednym z opisanych przykładów system musiał ustalić, co dzieje się z niesionym znaczkiem po wejściu na pole. Zamiast odbicia lustrzanego, które wcześniej zakładał, znaczek obracał się o 90 stopni zgodnie z ruchem wskazówek zegara.5 To właśnie takie korekty zapisanej wiedzy — a nie zmiana parametrów modelu — stanowiły podstawę metody.
Model językowy pozostał zamrożony
Memento 3 korzystało z Claude Opus 5. Wagi modelu nie były aktualizowane, a systemu nie dostrajano osobno do każdej gry.8
10
13 Określenie „samodoskonalenie” może więc mylić: w tym przypadku oznaczało poprawianie zewnętrznej pamięci i programów, a nie ponowne trenowanie samego modelu językowego.
1
6
Z doniesień o systemie wynika też, że zmiany w dokumentach i kodzie były zapisywane w Git. Dzięki historii wersji można było sprawdzić wcześniejsze modyfikacje i wrócić do poprzedniego stanu, jeśli nowa poprawka okazywała się błędna.14
Co pokazuje wynik — i czego nie dowodzi
W badaniu dotyczącym gry Pong agent miał nauczyć się strategii sterowania, a następnie rozegrać trzy oceniane partie z wynikiem 21:0 w każdej, już bez kolejnych wywołań modelu językowego.1 To przykład tego, jak reguły i kod wypracowane podczas eksploracji mogą później działać jako samodzielny kontroler.
Jednocześnie wynik 100 RHAE dotyczy publicznych gier ARC-AGI-3. Nie przesądza o skuteczności na ukrytych zestawach testowych ani w codziennych, nieprzewidywalnych środowiskach.7
27 Mniej ruchów nie mówi też samo w sobie, ile system zużył tokenów, jak długo działał ani jaki był jego całkowity koszt — dostępne tu źródła nie pozwalają tych kwestii rzetelnie porównać.
Najważniejszy wniosek jest więc konkretny, ale ograniczony: Memento 3 pokazało, że agent może lepiej radzić sobie z nieznanymi grami, gdy zamiast polegać wyłącznie na rozumowaniu z pojedynczej obserwacji, buduje jawny model zasad, sprawdza go i poprawia na podstawie błędów.1
7
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Memento 3 przeszło 183 poziomy. Kluczem była „ściągawka”, którą AI samo poprawiało"?
Memento 3 zaliczyło 25 gier i 183 poziomy z publicznego zestawu ARC AGI 3, wykonując 7 518 ruchów wobec 17 135 w przypadku ludzi.[8][27]
What are the key points to validate first?
Memento 3 zaliczyło 25 gier i 183 poziomy z publicznego zestawu ARC AGI 3, wykonując 7 518 ruchów wobec 17 135 w przypadku ludzi.[8][27] System nie aktualizował wag modelu ani nie był dostrajany do poszczególnych gier.
What should I do next in practice?
Połączenie zapisywania hipotez, testowania ich w symulatorze i poprawiania po błędnych przewidywaniach pozwalało agentowi lepiej planować kolejne ruchy.[1][5][6]
Sources
ai-pulse-lab.comAI 自己给自己写规则书，然后照着升级 · AI Pulse 论文解读
cctest.aiHow Memento 3 Used World Models to Beat 25 Games - CCTest
x.comHuawei Noah's Ark Lab's Memento 3 Agent Clears All 25 ARC-AGI-3 Public Games With a Frozen Model