一水 发自 凹非寺
量子位 | 公众号 QbitAI

一边打游戏，一边给自己升级？

好家伙，华为这波直接让AI学会了《边玩边变强》啊？！

最新一项研究，华为诺亚方舟实验室联合UCL等团队拿出了一个名叫Memento 3的AI智能体系统——

直接把ARC-AGI-3公开集里的25款游戏、183个关卡，全部打通了。

还不是靠无脑试错硬闯过去的。

人类完成同样一套关卡，需要17135次操作。

而Memento 3只用了7518次，比人类少操作约56%，最终拿下了满分100的RHAE成绩（Relative Human Action Efficiency，相对人类行动效率）。

更离谱的是，这套系统以Claude Opus 5为底模，全程没有更新模型权重，也没有针对游戏进行微调。

它就这么自己上手玩，自己琢磨规则，自己写代码，玩错了还会反思、修改。

然后就……满分通关了。

作为对比，Claude Opus 5在ARC Prize官方标准测试框架下，平均RHAE只有约40.7分。

同样的底模，换了套智能体系统，成绩居然直接飙升了59.3分。

还没完。

这套方法不光能玩解谜游戏，研究团队还让它跑去打了Atari经典游戏Pong（乒乓球）。

结果，AI自己摸索出控制策略，随后不用再向大模型请求推理，就连续三局把对手打成了21：0。

不是，大模型都不参与后续操作了，游戏居然还能打得这么溜？！

关键就藏在这项研究的题目里：

Model-Based Recursive Self-Improvement，基于世界模型的递归自我改进。

华为AI直接通关25款游戏，操作次数比人类还少56%

先说说这25款游戏到底什么来头。

它们来自ARC Prize推出的ARC-AGI-3，关注AI评测的朋友，对ARC系列应该不陌生。

但这一代有个非常明显的变化：

不再只是出题解题那一套了，这次是直接把AI扔进陌生的游戏世界。

规则，是需要AI自己猜的；目标，是需要AI自己找的；操作会产生什么效果，是需要AI自己试的。

AI：合着全都靠我呗~

这25款公开游戏一共包含183个关卡，画面大多由简单的像素、方块、颜色和图形组成。

乍一看，甚至有点像几十年前的小游戏合集。

但可别被这朴素的画风骗了。

对AI来说，怎么操作不是最难的，最麻烦的是压根不知道这个世界怎么运转。

踩上特殊地板会发生什么？一扇门打不开，是颜色没对上，还是形状不匹配？

更麻烦的是，后面的关卡还可能出现新规则，把之前摸索出的经验全部推翻。

别说AI了，人类玩家也会卡住。

ARC Prize的测试数据显示，在一款需要操控变形虫移动、变色的益智游戏r11l中，10名参与者全部通关；而另一款考验符号破译能力的解谜游戏tr87，12人挑战，只有6人成功。

在华为AI之前，各路研究团队就已经卷得相当激烈了：

普林斯顿大学推出的Continual Harness只通关了3款游戏，拿下20.5分。

英伟达研究人员参与开发的DreamTeam稍好一些，通关6款，得分38.1。

再往上，独立研究者David Courtis开发的OPINE-World，以及英伟达团队的NOOA，分别拿到了78.4分和85.1分。

最猛的是独立开发者Sergey Rodionov的baseline1，不仅把25款游戏全部打通，还拿到了99分，距离满分只差1分。

但华为团队这次，直接把最后这1分也补上了。

Memento 3不仅以100分的成绩通关全部25款游戏、183个关卡，还把总操作次数压到了7518次，比baseline1的8347次又少了829次。

不光通关了，而且还用更少的步骤通关。

怎么做到的？？

不用训练大模型，AI靠给自己写攻略实现“打怪升级”

翻了下论文，Memento 3的核心方法叫Code as Model（代码即模型）。

听着有点抽象，其实就是让AI在玩游戏的过程中，给自己准备两样东西：

一本不断更新的游戏攻略，以及一套能模拟游戏运行的代码。

• 
  
• Rulebook（规则手册）：一份Markdown文档，记录AI在游戏里摸索出的规律，比如什么操作会触发什么效果、怎样才能通关，还有哪些规则没搞明白。
• 
  
• Executable World Model（可执行世界模型）：AI会把自己总结出的规则，直接写成能够运行的Python代码，相当于自己搓了一个简化版的游戏模拟器。

有了这两样东西，AI就能先在自己搭建的模拟器里推演不同路线，再决定下一步怎么走。

但问题来了，万一一开始理解的游戏规则就是错的呢？

别急，Memento 3不仅会自己写攻略，发现写错了，还能自己推翻重来。

论文里就展示了一个例子。

AI在一款解谜游戏中遇到特殊地板，起初以为踩上去后，角色携带的图案会根据进入方向发生镜像翻转。

结果真正试过才发现，图案不是翻转，而是顺时针旋转90度，并且与进入方向无关。

于是AI修改规则手册，对应的Python代码也跟着更新。

不过，改完还得验。

系统会重新模拟此前的操作，逐格对比64×64的游戏画面，确认代码能准确复现真实结果。

对不上，就继续改。

就这样，AI一边探索，一边纠错，规则越改越准。

而且前面学到的经验，还能带到后面的关卡。

比如符号解密游戏tr87，AI最初分不清符号朝向是否影响含义，后来发现不同方向的符号可能代表同一个字母。

随着新关卡出现，它又推翻了之前对游标位置的理解。

整场游戏下来，同一份规则手册迭代了11个版本。

为了方便回溯，研究团队甚至引入了Git版本管理。

每次修改规则和代码都会留下记录，发现哪里改错了，还能翻看历史版本，必要时直接恢复。

好家伙，打个游戏还顺手维护起代码仓库了。

这也正是研究团队所说的递归自我改进（RSI）。

大模型参数不用动，AI通过不断积累经验、修改规则和代码，就能让自己越玩越熟练。

而且，这套方法还真有数据支撑。

研究团队在三款游戏中做了对照实验：

保留规则手册时，AI总共用了617次操作；去掉规则手册，只保留代码世界模型，则需要677次。

相当于有了这本攻略，操作次数减少约9%，智能体执行轮次也减少了约18%。

但研究团队还不满足于此。

既然一个世界模型能帮助AI少走弯路，那同时用两个呢？

于是，他们让AI同时维护两套世界模型，共享游戏操作记录，但各自推演不同的规则假设。

结果，在游戏wa30中，单世界模型需要899次操作才能通关，换成双世界模型后，直接降到了597次。

操作次数又减少了约34%。

当然，这一提升目前只在wa30上得到验证，还不能直接推广到其他游戏。

但至少在这些实验里，Memento 3证明了一件事：

不用重新训练大模型，AI也能靠不断修正自己对世界的理解，越玩越强。

游戏打到21：0，AI甚至不用再调用大模型了

那这套方法只能用来玩解谜游戏吗？

研究团队决定再加点难度，直接把Memento 3拉去挑战经典街机游戏Atari Pong（乒乓球）。

和前面的解谜游戏不同，这次小球会不断移动、反弹，AI不仅要摸清游戏规则，还得实时判断球的运动轨迹，控制球拍接球。

结果这一试，还真试出了点新东西。

一开始，AI同样不知道球的反弹规律，只能边打边摸索。

它最初以为，球拍可以分成四个区域，小球打在不同位置，就会朝对应方向弹出去。

结果打着打着，突然出现了一次水平反弹。

诶？这和之前总结的规则对不上啊。

于是AI重新分析碰撞位置，修改反弹公式，后来又遇到新的轨迹偏差，就继续调整，逐渐总结出更符合实际情况的运动规律。

等到控制策略成熟，研究团队干脆让这套程序独立上场。

不再调用Claude Opus 5，也不再更新规则。

结果，三次不同开局，全部打出了21：0。

好家伙，前面还在摸索怎么接球，后面直接把对手打了个零封？？？

而且注意了，这时候的大模型已经不用亲自上场了。

它只负责前期摸索规则、总结打法，等策略学会了，直接交给代码执行。

作为对比，如果不使用世界模型，只让大模型根据眼前的画面决定下一步怎么操作，最终得分只有-19，和随机乱按的-20.7差不了多少。

这一对比，差距就出来了。

与其让大模型每一步都重新思考，不如先让它学会怎么玩，再把打法交给程序。

而且效率也挺夸张。

论文数据显示，Memento 3大约只用了9500帧游戏画面，就学出了这套控制策略。

相比之下，部分传统强化学习方法往往需要数十万甚至上亿帧训练数据。

当然，这不代表Memento 3没有成本。

毕竟，它背后用的是开启Extra-High推理强度的Claude Opus 5，探索、生成代码和验证的过程，都需要消耗不少Token和算力。

而且目前实验主要针对规则相对明确的游戏环境，如果换成更加复杂、多变的现实世界，这套方法还能不能奏效，仍有待验证。

不过，这项研究倒是指出了一个值得关注的方向：

递归自我改进（RSI）并不一定要动模型底层权重。通过构建可检查、可执行、可回滚的外部世界模型，冻结参数的通用大模型同样能在陌生领域里自我迭代、迅速进化。

论文地址：

//arxiv.org/abs/2610.11794

参考链接：
//x.com/ScarletKc/status/2109169173540884935