คำตอบเผยแพร่แล้ว19 แหล่งที่มา
เบื้องหลัง Memento 3: ให้ AI เขียนกฎและจำลองเกมเอง จนผ่านครบ 183 ด่าน
Memento 3 ผ่านเกมสาธารณะ 25 เกม รวม 183 ด่าน ด้วย 7,518 แอ็กชัน เทียบกับมนุษย์ที่ใช้ 17,135 แอ็กชัน และได้คะแนน RHAE 100 [8][27] หัวใจของวิธีที่เรียกว่า “Code as Model” คือให้ AI จดกฎที่เรียนรู้ แล้วแปลงเป็นโค้ดจำลองเพื่อวางแผนและตรวจสอบกับสิ่งที่เกิดขึ้นจริง [1][5][6] ระบบใช้ Claude Opus 5 โดยไม่ปรับน้ำหนักโมเดลหรื...
เผยแพร่โดยรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Memento 3 ผ่านเกมสาธารณะ 25 เกม รวม 183 ด่าน ด้วย 7,518 แอ็กชัน เทียบกับมนุษย์ที่ใช้ 17,135 แอ็กชัน และได้คะแนน RHAE 100 [8][27]
- หัวใจของวิธีที่เรียกว่า “Code as Model” คือให้ AI จดกฎที่เรียนรู้ แล้วแปลงเป็นโค้ดจำลองเพื่อวางแผนและตรวจสอบกับสิ่งที่เกิดขึ้นจริง [1][5][6]
- ระบบใช้ Claude Opus 5 โดยไม่ปรับน้ำหนักโมเดลหรือฝึกแยกสำหรับแต่ละเกม ผลลัพธ์จึงสะท้อนการออกแบบระบบรอบโมเดล มากกว่าการฝึกโมเดลใหม่ [10][13][14]
- ผลทดสอบในเกม Pong แสดงให้เห็นว่าโปรแกรมควบคุมที่เรียนรู้แล้วชนะ 3 รอบด้วยคะแนน 21–0 โดยไม่ต้องเรียกใช้ LLM ระหว่างเล่น [1]
AI พรอมต์
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 ผ่านเกมสาธารณะทั้ง 25 เกม รวม 183 ด่านของ ARC-AGI-3 โดยใช้ 7,518 แอ็กชัน ขณะที่มนุษย์ใช้ 17,135 แอ็กชัน คิดเป็นราว 44% ของจำนวนแอ็กชันที่มนุษย์ใช้ และได้คะแนน RHAE เต็ม 100 8
27
จุดเด่นไม่ได้อยู่ที่การปรับแต่งน้ำหนักของโมเดลภาษา แต่คือการให้เอเจนต์สร้างและแก้ไข “ความรู้เกี่ยวกับเกม” ไว้ภายนอกโมเดล จากนั้นเขียนความรู้นั้นเป็นโค้ดจำลองเพื่อทดลองวางแผนก่อนลงมือจริง 1
5
6
เกมที่ต้องเรียนรู้กติกาเอง
ARC-AGI-3 เป็นเบนช์มาร์กแบบโต้ตอบที่ให้เอเจนต์เผชิญกับเกมซึ่งไม่คุ้นเคย โดยไม่ได้บอกกติกา เป้าหมาย หรือความหมายของการกระทำล่วงหน้า 7
27 งานของ Memento 3 จึงไม่ใช่แค่เลือกท่าที่ดูเหมาะสม แต่ต้องค่อย ๆ สังเกตว่าโลกในเกมทำงานอย่างไร แล้วใช้ความเข้าใจนั้นตัดสินใจ
ระบบนี้พัฒนาโดย Huawei Noah’s Ark Lab, University College London และทีมพันธมิตร โดยใช้ Claude Opus 5 เป็นโมเดลพื้นฐาน ไม่มีการปรับน้ำหนักโมเดลหรือฝึกแยกสำหรับเกมแต่ละเกม 10
13
14 มีรายงานว่า Claude Opus 5 เมื่อทดสอบใน ARC Prize harness ได้คะแนน RHAE ประมาณ 40.7 ส่วนระบบ Memento 3 ได้ 100
10
14
“Code as Model” ทำงานอย่างไร
แนวคิดหลักเรียกว่า “Code as Model” หรือใช้โค้ดเป็นแบบจำลองของโลกในเกม เอเจนต์เก็บความเข้าใจไว้ในสองรูปแบบที่ทำงานร่วมกัน 1
5
6
- คู่มือกฎ: เอกสาร Markdown ที่บันทึกสมมติฐานเกี่ยวกับวัตถุ การควบคุม และกลไกต่าง ๆ ในเกม หากยังไม่รู้คำตอบ ก็ระบุไว้ว่าไม่ทราบ แทนที่จะฟันธงเป็นกฎตายตัว
1
5
- แบบจำลองเกมที่รันได้: โค้ด Python ที่แปลงกฎเหล่านั้นให้เป็นการจำลอง เพื่อให้เอเจนต์ลองคาดการณ์ผลของการกระทำและวางแผนล่วงหน้า
14
วงจรการเรียนรู้จึงเป็นการสังเกต ตั้งสมมติฐาน ทบทวนและแก้กฎ แปลงกฎเป็นโค้ด แล้วตรวจสอบว่าการคาดการณ์ตรงกับสิ่งที่เกิดขึ้นจริงหรือไม่ หากไม่ตรง ก็แก้ทั้งคู่มือและแบบจำลอง ก่อนนำไปใช้วางแผนอีกครั้ง 1
5
ตัวอย่างหนึ่งคือเอเจนต์เรียนรู้ว่าการเหยียบแผ่นบางชนิดจะทำให้ตราที่ถืออยู่หมุนตามเข็มนาฬิกา 90 องศา 5 รายงานยังระบุว่าทีมใช้ Git เก็บประวัติการแก้ไขคู่มือและโค้ด เพื่อให้ตรวจสอบหรือย้อนกลับไปใช้เวอร์ชันก่อนหน้าได้เมื่อการแก้ไขผิดพลาด
14
ดังนั้น “การพัฒนาตัวเอง” ในกรณีนี้หมายถึงการปรับความรู้และโปรแกรมภายนอกอย่างต่อเนื่อง ขณะที่โมเดลภาษายังคงถูกตรึงไว้ ไม่ใช่การฝึกโมเดลพื้นฐานซ้ำด้วยตัวเอง 1
6
สิ่งที่ผลทดสอบบอกได้—and ยังบอกไม่ได้
การเคลียร์เกมครบและใช้แอ็กชันน้อยกว่ามนุษย์เป็นผลลัพธ์ที่น่าสนใจ แต่ควรแยกความสำเร็จบนชุดเกมสาธารณะออกจากคำถามที่ยังไม่มีหลักฐานเพียงพอรองรับ
- ยังสรุปผลบนเกมที่ไม่เปิดเผยไม่ได้: คะแนนที่รายงานเป็นผลบนเกมสาธารณะ ไม่ได้ยืนยันว่า Memento 3 จะทำได้เท่ากันกับเกมประเมินที่ซ่อนไว้
7
27
- จำนวนแอ็กชันไม่ใช่ต้นทุนทั้งหมด: ใช้แอ็กชันในเกมน้อยกว่าไม่ได้แปลว่าจะใช้โทเคน เวลา หรือค่าใช้จ่ายในการประมวลผลน้อยกว่าด้วย และข้อมูลที่มีไม่เพียงพอสำหรับคำนวณต้นทุนเหล่านั้น
- ผลเปรียบเทียบบางรายการยังยืนยันไม่ได้: ข้อมูลที่มีไม่เพียงพอให้ตรวจสอบตัวเลข baseline ของ Sergey Rodionov ซึ่งอ้างว่าได้ 99 RHAE และใช้ 8,347 แอ็กชัน รวมถึงข้อกล่าวอ้างว่าใช้การตั้งค่าการให้เหตุผลระดับสูงสุด
- ยังไม่ใช่หลักฐานว่าใช้ได้กับโลกจริงทั่วไป: ข้อมูลที่มีไม่เพียงพอจะยืนยันประสิทธิภาพในสภาพแวดล้อมจริงที่มีสัญญาณรบกวน ข้อมูลไม่ครบ หรือกติกาเปลี่ยนไป ผลที่มีสนับสนุนแนวทางการเรียนรู้แบบจำลองโลกอย่างเป็นรูปธรรม แต่ยังไม่พิสูจน์ว่าเป็นเอเจนต์สารพัดงาน
ทดลองกับ Pong โดยไม่เรียก LLM ระหว่างเล่น
นอกจากเกมในเบนช์มาร์ก งานวิจัยยังรายงานการทดสอบกับ Pong โดยระบบเรียนรู้กลยุทธ์ควบคุม แล้วโปรแกรมที่ได้ชนะทั้งสามรอบที่ทดสอบด้วยคะแนน 21–0 โดยไม่ต้องเรียก LLM เพิ่มระหว่างเล่น 1
ผลนี้ชี้ให้เห็นว่าเมื่อเอเจนต์สร้างกฎและแบบจำลองที่ใช้การได้แล้ว ความรู้ดังกล่าวอาจถูกนำไปใช้ในโปรแกรมปฏิบัติการโดยไม่ต้องพึ่งการให้เหตุผลจากโมเดลภาษาทุกจังหวะ อย่างไรก็ตาม ผลจากสามรอบยังเป็นตัวอย่างเฉพาะ ไม่ใช่หลักฐานว่าระบบจะทำได้เช่นเดียวกันกับเกมหรือสภาพแวดล้อมทุกแบบ 1
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "เบื้องหลัง Memento 3: ให้ AI เขียนกฎและจำลองเกมเอง จนผ่านครบ 183 ด่าน" คืออะไร
Memento 3 ผ่านเกมสาธารณะ 25 เกม รวม 183 ด่าน ด้วย 7,518 แอ็กชัน เทียบกับมนุษย์ที่ใช้ 17,135 แอ็กชัน และได้คะแนน RHAE 100 [8][27]
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Memento 3 ผ่านเกมสาธารณะ 25 เกม รวม 183 ด่าน ด้วย 7,518 แอ็กชัน เทียบกับมนุษย์ที่ใช้ 17,135 แอ็กชัน และได้คะแนน RHAE 100 [8][27] หัวใจของวิธีที่เรียกว่า “Code as Model” คือให้ AI จดกฎที่เรียนรู้ แล้วแปลงเป็นโค้ดจำลองเพื่อวางแผนและตรวจสอบกับสิ่งที่เกิดขึ้นจริง [1][5][6]
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ระบบใช้ Claude Opus 5 โดยไม่ปรับน้ำหนักโมเดลหรือฝึกแยกสำหรับแต่ละเกม ผลลัพธ์จึงสะท้อนการออกแบบระบบรอบโมเดล มากกว่าการฝึกโมเดลใหม่ [10][13][14]
แหล่งที่มา
cctest.aiHow Memento 3 Used World Models to Beat 25 Games - CCTest
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