华为 Memento 3 满分通关 ARC-AGI-3 全部 25 款游戏：操作次数比人类少 56%

如果把一个 AI 丢进一个完全陌生的像素游戏世界——规则要自己猜、目标要自己找、踩到什么会触发什么全得自己试——它能活下来吗？华为诺亚方舟实验室联合 UCL 等团队给出的答案是：不仅能活下来，还能把 25 款游戏、183 个关卡全部打通，拿下满分。

一分钟速览

华为诺亚方舟实验室联合伦敦大学学院（UCL）等团队发布了一个名为 Memento 3 的 AI 智能体系统，在 ARC Prize 推出的 ARC-AGI-3 公开评测集里，通关了全部 25 款游戏、183 个关卡，拿下满分 100 分的 RHAE（相对人类行动效率）成绩。人类完成同样一套关卡需要 17135 次操作，而 Memento 3 只用了 7518 次，比人类少约 56%。更关键的是，这套系统以 Claude Opus 5 作为底模，全程没有更新模型权重，也没有针对游戏做任何微调。

从 40.7 分到 100 分的飞跃

ARC-AGI-3 这一代评测有个明显变化：不再是单纯的出题解题，而是直接把 AI 扔进陌生的游戏世界，规则、目标、操作反馈都需要 AI 自己摸索。画面上是像素、方块、颜色和图形组成的关卡，看似朴素，实则暗藏大量「反直觉」规则——踩上特殊地板会发生什么？一扇打不开的门，是颜色没对上还是形状不匹配？更麻烦的是，后续关卡还会出现新规则，把之前摸索出的经验全部推翻。

在华为之前，各路团队已经卷得很激烈：普林斯顿大学的 Continual Harness 只通关了 3 款游戏，拿到 20.5 分；英伟达参与的 DreamTeam 通关 6 款，得分 38.1；独立研究者 David Courtis 的 OPINE-World 拿到 78.4 分；英伟达团队的 NOOA 拿到 85.1 分；最接近的是独立开发者 Sergey Rodionov 的 baseline1，通关全部 25 款拿到 99 分。而作为底模的 Claude Opus 5 在 ARC Prize 官方标准框架下，平均 RHAE 只有约 40.7 分。华为这次直接把最后这 1 分也补上了，还以更少的操作次数通关。

核心方法：代码即模型 + 递归自我改进

Memento 3 的核心方法叫「Code as Model（代码即模型）」。简单说，就是让 AI 在玩游戏的过程中，给自己准备两样东西：一本不断更新的「规则手册」（Rulebook），记录摸索出的规律、操作效果和还没搞明白的规则；以及一套「可执行世界模型」（Executable World Model），把总结出的规则写成能直接运行的 Python 代码，相当于自己搭了一个简化版游戏模拟器。有了这两样，AI 就能先在模拟器里推演不同路线，再决定下一步怎么走。

更关键的是它还会自我纠错。论文展示了一个例子：AI 在解谜游戏中遇到特殊地板，起初以为踩上去后图案会按进入方向镜像翻转，实测才发现是顺时针旋转 90 度且与方向无关，于是修改规则手册、更新对应代码，再重新模拟此前操作、逐格对比 64×64 画面确认代码能复现真实结果。为了让回溯方便，团队甚至引入了 Git 版本管理，同一份规则手册在整场游戏中迭代了 11 个版本。

不止解谜：Atari 乒乓 21:0

这套方法还能迁移到别的游戏。研究团队让 Memento 3 去打 Atari 经典游戏 Pong，结果 AI 自己摸索出控制策略后，甚至不用再向大模型请求推理，就连续三局把对手打成了 21:0。这背后的关键词是「Model-Based Recursive Self-Improvement」——基于世界模型的递归自我改进。

趋势洞察

Memento 3 的意义在于：它证明了在「不训练、不微调」的前提下，仅靠一套好的智能体架构 + 递归自我改进，就能把同一个底模的评测成绩从 40.7 分拉到 100 分。随着 ARC-AGI 这类「让 AI 面对陌生环境」的评测越来越主流，智能体系统本身的设计能力，正在成为与底模能力同等重要的竞争力。未来谁能在「自我反思、自我纠错、经验沉淀」这条路上走得更远，谁就能在通用智能体的竞赛里抢占先机。