结果：通关全部公开关卡，操作次数约为人类的 44%

华为诺亚方舟实验室、伦敦大学学院（UCL）及合作团队报告称，智能体系统 Memento 3 完成了 ARC-AGI-3 公开集的 25 款游戏、183 个关卡，共执行 7,518 次操作。作为对照，人类完成同一批内容用了 17,135 次操作；Memento 3 的操作数约为人类基准的 44%，相当于少约 56%，RHAE（相对人类行动效率）得分为 100。827

关键在于，这项提升并非来自重新训练底层语言模型。报告称，系统使用 Claude Opus 5，运行过程中没有更新模型权重，也没有针对具体游戏微调。101314 在 ARC Prize 的官方测试框架中，Claude Opus 5 的 RHAE 据报约为 40.7；不过，这一对照能说明整套智能体架构的表现差异，并不能单独证明每个组成部分分别带来了多少提升。1014

“代码即模型”：先写下规则，再用模拟器规划

ARC-AGI-3 的游戏不会直接告诉玩家规则、目标或操作方式，智能体需要通过互动摸索环境。Memento 3 的核心思路是把摸索出的规律变成可以反复修订、实际运行的外部模型，而不是只靠语言模型临场推理。17

它主要维护两种信息：

• **规则手册：**一份自然语言文档，记录对物体、操作效果和环境变化的当前理解。尚未弄清的规则可以继续标注为未知，不必过早当成定论。157
• **可执行世界模型：**把规则写成代码，模拟游戏状态变化，让智能体能在模型中预测行动结果并规划下一步。514

整体过程可以概括为：观察游戏反馈，反思预测与实际结果的差异，修订规则手册，再把规则编译成代码并进行验证。模型预测出错时，智能体就有机会据此修正自己的假设和模拟程序。156

例如，相关解读举例说明，智能体可能先假设踩上某个垫子会让徽章左右翻转，之后根据观察改为“顺时针旋转 90 度”，再同步调整代码。5 这类例子展示了方法如何运作，但不意味着规则手册或模拟器每次修改都会正确。

据报道，规则手册和代码的变更还会通过 Git 留下记录，方便检查修改历史，并在改动出错时恢复旧版本。14 因此，这里的“自我改进”指的是持续修改外部记忆与程序；底层大模型本身仍保持冻结。16

Pong 演示展示了什么？

研究论文的相关摘录还报告称，Memento 3 学到一个反馈控制策略后，在三次评估中都以 21 比 0 获胜，且后续对局不再调用语言模型。1 这说明在这一演示任务中，系统可以把前期摸索得到的策略转化为能独立执行的控制程序；但单个游戏的演示不足以证明它能同样处理所有类型的环境。

如何理解这项成绩

首先，成绩对应的是 ARC-AGI-3 公开集，不能直接推断系统在未公开的评估游戏中也会有同样表现。727 其次，7,518 次操作衡量的是环境中的行动次数，并不等同于模型调用次数、运行时间或总计算成本。最后，现有结果支持“显式规则手册加可执行世界模型”值得进一步研究，但还不足以证明这种方法已经能普遍适用于嘈杂、部分可观测或不断变化的现实环境。17

结果：通关全部公开关卡，操作次数约为人类的 44%

华为诺亚方舟实验室、伦敦大学学院（UCL）及合作团队报告称，智能体系统 Memento 3 完成了 ARC-AGI-3 公开集的 25 款游戏、183 个关卡，共执行 7,518 次操作。作为对照，人类完成同一批内容用了 17,135 次操作；Memento 3 的操作数约为人类基准的 44%，相当于少约 56%，RHAE（相对人类行动效率）得分为 100。827

关键在于，这项提升并非来自重新训练底层语言模型。报告称，系统使用 Claude Opus 5，运行过程中没有更新模型权重，也没有针对具体游戏微调。101314 在 ARC Prize 的官方测试框架中，Claude Opus 5 的 RHAE 据报约为 40.7；不过，这一对照能说明整套智能体架构的表现差异，并不能单独证明每个组成部分分别带来了多少提升。1014

“代码即模型”：先写下规则，再用模拟器规划

ARC-AGI-3 的游戏不会直接告诉玩家规则、目标或操作方式，智能体需要通过互动摸索环境。Memento 3 的核心思路是把摸索出的规律变成可以反复修订、实际运行的外部模型，而不是只靠语言模型临场推理。17

它主要维护两种信息：

• **规则手册：**一份自然语言文档，记录对物体、操作效果和环境变化的当前理解。尚未弄清的规则可以继续标注为未知，不必过早当成定论。157
• **可执行世界模型：**把规则写成代码，模拟游戏状态变化，让智能体能在模型中预测行动结果并规划下一步。514

整体过程可以概括为：观察游戏反馈，反思预测与实际结果的差异，修订规则手册，再把规则编译成代码并进行验证。模型预测出错时，智能体就有机会据此修正自己的假设和模拟程序。156

例如，相关解读举例说明，智能体可能先假设踩上某个垫子会让徽章左右翻转，之后根据观察改为“顺时针旋转 90 度”，再同步调整代码。5 这类例子展示了方法如何运作，但不意味着规则手册或模拟器每次修改都会正确。

据报道，规则手册和代码的变更还会通过 Git 留下记录，方便检查修改历史，并在改动出错时恢复旧版本。14 因此，这里的“自我改进”指的是持续修改外部记忆与程序；底层大模型本身仍保持冻结。16

Pong 演示展示了什么？

研究论文的相关摘录还报告称，Memento 3 学到一个反馈控制策略后，在三次评估中都以 21 比 0 获胜，且后续对局不再调用语言模型。1 这说明在这一演示任务中，系统可以把前期摸索得到的策略转化为能独立执行的控制程序；但单个游戏的演示不足以证明它能同样处理所有类型的环境。

如何理解这项成绩

首先，成绩对应的是 ARC-AGI-3 公开集，不能直接推断系统在未公开的评估游戏中也会有同样表现。727 其次，7,518 次操作衡量的是环境中的行动次数，并不等同于模型调用次数、运行时间或总计算成本。最后，现有结果支持“显式规则手册加可执行世界模型”值得进一步研究，但还不足以证明这种方法已经能普遍适用于嘈杂、部分可观测或不断变化的现实环境。17