Memento 3冻结LLM通关25游戏 操作比人类少56%

**发布时间：** 2026-10-12 15:21 (Asia/Shanghai) **核心要点：** 2026年10月9日，伦敦大学学院（UCL）与华为诺亚方舟实验室（Noah's Ark Lab）联合发布论文《Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks》（arXiv: 2610.11794）。Memento 3 在 ARC-AGI-3 这一"AI五年来最难啃"的抽象推理基准上实现了全部 25 款公开游戏、183 个关卡的 100% 通关，平均相对人类操作效率（RHAE）拿到满分 100.0，而总共仅消耗 7,518 次操作——只相当于人类操作基线（17,135 次）的 44%，比人类少 56%。整套方案完全基于"冻结（frozen）LLM + 自然语言规则本 + 可执行 Python 世界模型"实现，模型权重全程不被修改，仅通过外部记忆实现递归自我改进（RSI）。作为对比，Anthropic Claude Opus 5 在同一基准上仅拿到 40.7 RHAE，比 Memento 3 低 59.3 分。 ## 事件详情 Memento 3 的核心贡献来自一项根本性观察：**AI 智能体不应在陌生环境里反复试错，而应该像人一样，先把环境规则"记下来"，再据此做预测和规划。** 为此，团队提出了一套"观察—反思—修订—编译—验证"的持续闭环： **第一，把环境假设写成可读的自然语言规则本。** 智能体维护一份 Markdown 格式的"规则本（rulebook）"，记录它对环境动力学、物理机制和成功标准的可修订假设；未知部分则明确标记为待定。规则本是外部语义记忆，不会随会话丢失，也不需要重新训练。 **第二，把规则本编译成 Python 代码世界模型用于预测与规划。** 智能体每次规划下一步动作时，把规则本编译成可执行的 Python 状态转移函数，由低延迟模拟器反复推演"如果走这一步会怎样"，从而选择最有希望的路径，而不是靠 LLM 一步步生成长思维链（CoT）。 **第三，通过预测误差驱动规则迭代。** 当模拟预测与真实观察不一致时，触发反思机制生成候选修订；修订必须同时通过两道闸门：(a) 由 LLM 做语义对齐审计，确保新规则逻辑上忠于原意；(b) cell-exact 重放验证，把过去每一帧的状态都重新跑一遍，看修订后的代码能否完美复现历史轨迹。只有两道闸门都通过的修订才会被合并进规则本。整个过程 LLM 参数完全冻结，能力增长全部来自"程序合成 + 验证"。 **第四，支持多模型种群的并行探索。** 在 ARC-AGI-3 单游戏 wa30 上，多模型种群版将操作数从 899 进一步压到 597（−33%），同时仍保持 RHAE 满分。 ## 基准成绩 **ARC-AGI-3：满分通关。** 在 25 款公开游戏、183 个关卡的完整测试集上，Memento 3 单模型版本拿到了 100.0 RHAE（满分），7,518 次操作，而人类基线是 17,135 次——即 Memento 3 用 44% 的人类动作预算完成全部关卡。作为对比，Claude Opus 5 在同一基准上均分只有 40.7 RHAE，比 Memento 3 低 59.3 分。 **Atari Pong：21:0 完胜，零推理调用。** Memento 3 学到一个可执行的反馈控制器，用 9,504 帧模拟数据训练，在三局不同开局下均以 21:0 零封对手，执行期间不再调用任何 LLM 推理。这比 EfficientZero V2 等基于模型的强化学习基线（需要约 40 万帧）样本效率高约 42 倍。 ## 技术意义 Memento 3 把"自我改进"从参数空间挪到了**外部记忆 + 代码合成**空间。这背后的取舍非常清晰：直接在 LLM 权重上做持续微调成本极高，且会触发灾难性遗忘；而 Memento 3 选择让 LLM 保持完全冻结，把"成长"全部押注在外部可执行的、可以被静态分析和重放验证的程序上。这套思路把 LLM 的角色从"端到端控制器"重新定义为"元程序员（meta-programmer）"。 ## 行业影响 1. **对智能体研究：**"权重不变、记忆可变"是可扩展、低成本的持续学习路径，可能成为下一代企业级 Agent 的事实标准 2. **对 RL 与世界模型研究：** Pong 案例"42 倍样本效率"的提升，在真实机器人、自动驾驶等高样本成本领域，规则 + 代码世界模型可能比纯端到端 RL 更实用 3. **对 ARC-AGI 竞赛：**Memento 3 是首批在 ARC-AGI-3 公开集上拿到 100.0 RHAE 的方案之一 ## 参考来源 1. arXiv 论文原文：https://arxiv.org/abs/2610.11794 2. arXiv HTML 完整版：https://arxiv.org/html/2610.11794v1 3. HuggingFace Papers 论文索引：https://huggingface.co/papers/2610.11794 4. AIWeekly 深度解析：https://aiweekly.co/alerts/memento-3-posts-1000-rhae-on-arc-agi-3-with-frozen-llm-rulebook 5. AICoder 工程视角分析：https://aicoder.com/news/news-20261010-memento3-model-based-recursive-self-improvement-rulebooks 6. OnTheWire：https://onthewire.ai/article/ucl-and-huawei-paper-reports-a-frozen-model-agent-clearing-all-25-public-arc-agi 7. 量子位（qbitai）：https://www.qbitai.com/2026/10/502654.html 8. 搜狐科技转载：https://m.sohu.com/a/1086655084_122004016 9. Hermes AI：https://hermes-ai.net/news/ucl-s-memento-3-beats-human-efficiency-by-56-on-every-arc-agi-3-puzzle/ 10. The New Stack：https://thenewstack.io/nvidia-avo-arcagi3-benchmark/ 11. TechTimes：https://www.techtimes.com/articles/328542/20261006/arc-agi-3-scaffolding-beats-model-upgrades-same-ai-two-settings-49x-score-gain.htm 12. MLQ.ai：https://mlq.ai/news/claude-opus-5-sets-a-verified-arc-agi-3-record-with-important-caveats/ 13. ARC Prize 官方基准页面：https://arcprize.org/arc-agi/3 14. BenchLM ARC-AGI-3 评测页：https://benchlm.ai/benchmarks/arcagi3