华为AI通关25款游戏：操作比人类少56%

华为诺亚方舟实验室联合伦敦大学学院（UCL）等机构的研究团队，推出名为 Memento 3 的 AI 智能体系统。在不更新模型权重、不进行微调的前提下，该系统成功打通了 ARC-AGI-3 公开测试集中的全部 25 款游戏、183 个关卡。

在效率方面，人类玩家通关全部内容累计需要 17,135 次操作，而 Memento 3 仅使用 7,518 次，比人类减少约 56% 的操作步骤，获得了满分 100 的相对人类行动效率（RHAE）评分。

冻结底模权重，依靠递归自我改进

Memento 3 采用 Claude Opus 5 作为底层基础模型。在标准测试框架下，Claude Opus 5 的平均 RHAE 得分仅为 40.7 分；而在 Memento 3 架构的驱动下，该指标直接提升了 59.3 分达到满分。

这套系统的核心机制被称为基于世界模型的递归自我改进（Model-Based Recursive Self-Improvement，RSI）。

ARC-AGI-3 测试集由一系列像素风格的陌生解谜游戏构成，规则完全未知，AI 需要自主探索环境、建立认知并找到过关目标。

此前，普林斯顿大学的 Continual Harness 通关了 3 款游戏（20.5分），NVIDIA 团队参与的 NOOA 达到 85.1 分，独立开发者 Sergey Rodionov 曾达到 99 分。Memento 3 则将 25 款游戏完全攻克，并刷新了最少操作步数纪录。

核心机制：代码即模型（Code as Model）

该研究的核心在于「代码即模型」的设计理念。AI 在探索游戏时会并行维护两项核心资产：

1. 规则手册（Rulebook）：一份动态更新的 Markdown 文本，记录 AI 当前对机制、通关条件及未解谜题的假设与总结。
2. 可执行世界模型（Executable World Model）：将归纳出的规则转化为可运行的 Python 代码，本质上是由 AI 编写的游戏简易模拟器。

通过模拟器，AI 可以在自身内部快速演算行动方案。一旦发现模拟预测与实际画面不符，系统会触发纠错流程，重新分析差异并修改规则手册与 Python 脚本。

为了管理规则的演化，系统引入了 Git 版本控制。每一轮规则修正都会生成提交，遇到推导错误时可直接回滚至历史版本。

消融实验显示，规则手册帮助 AI 减少了约 9% 的操作次数和 18% 的推理轮次。团队进一步尝试「双世界模型」机制，让两个模拟器共享记录但推演不同假设，在测试游戏 wa30 中，通关操作步数再度下降了约 34%。

零推理干预通关 Atari Pong

除了离散逻辑游戏，团队还将该方法应用于连续动作游戏 Atari Pong（乒乓球）。AI 在最初几局通过不断试错总结小球碰撞与反弹公式，调整控制逻辑。

当控制代码成型后，团队完全切断了与 Claude Opus 5 的交互。依靠独立运行的生成代码，AI 在三次不同开局下均打出 21:0 的完胜战绩。

在数据效率上，Memento 3 仅用了约 9,500 帧画面便掌握了策略，远低于传统强化学习动辄数十万至数亿帧的需求。

这项工作表明，大模型的自我进化未必依赖底层参数更新；借助外部可执行、可检验的世界模型，冻结权重的通用大模型同样具备在复杂环境中持续进化的能力。