华为 Memento 3 通关 ARC-AGI-3 全部 25 款游戏：不改模型权重，操作比人类少 56%

这一代评测换了考法：规则要 AI 自己猜

ARC-AGI-3 与以往「出题—解题」的评测不同，它把系统直接放进陌生的游戏世界：规则要自己猜、目标要自己找、每个操作会产生什么效果也只能自己试，后面的关卡还可能冒出推翻前面经验的新规则。画面大多是像素、方块与颜色，看着像几十年前的小游戏合集，难的是「不知道这个世界怎么运转」。ARC Prize 的测试数据显示，其中一款需要操控变形虫移动与变色的益智游戏 r11l，10 名参与者全部通关；而另一款考验符号破译的解谜游戏 tr87，12 人挑战只有 6 人成功。

横向对比：从 20.5 分到满分

普林斯顿 Continual Harness：通关 3 款，20.5 分。
英伟达研究人员参与开发的 DreamTeam：通关 6 款，38.1 分。
OPINE-World（独立研究者）：78.4 分；NOOA（英伟达团队）：85.1 分。
baseline1（独立开发者 Sergey Rodionov）：25 款全部打通，99 分，总操作 8347 次。
Memento 3（华为诺亚方舟 + UCL 等）：25 款全部通关、183 个关卡，100 分，总操作 7518 次——比 baseline1 又少 829 次。

图：同一套 25 款游戏、183 个关卡下的总操作次数对比。来源：量子位对 Memento 3 论文的转述（2026-10-12）。

关键在「不改权重」：代码即模型

据论文转述，Memento 3 的核心方法叫 Code as Model（代码即模型）：系统在探索过程中把「世界如何运转」的规律沉淀下来，形成可执行、可复用的表示，而不是靠更新模型参数。论文框架是「基于世界模型的递归自我改进」。一个更直观的现象是：在 Atari 的 Pong（乒乓球）上，系统自己摸索出控制策略后，后半程不再向大模型请求推理，仍连续三局以 21:0 取胜——能力被留在了系统自己的记忆与工具里，而不是每次回去问模型。

对照数据也很能说明问题：同一个底模 Claude Opus 5，在 ARC Prize 官方标准测试框架下的平均 RHAE 约 40.7 分；换上 Memento 3 这套智能体系统后拿到 100 分，相差 59.3 分。也就是说，这一轮提升主要来自「系统」而不是「模型」。

冷静的一半：ARC-AGI-3 是游戏环境，规则虽需自行摸索但边界清晰、可无限试错，与真实业务里「试错有成本、目标经常变动」的环境不同；分数领先不等于能直接迁移到您的场景。方法能否在长流程、有合规约束的任务上稳定复现，仍需自己实测。

机悟的建议：内网真正的资产，是「系统」而不是参数

不改模型也能越用越强——这对数据不出内网的单位，是个好消息。

选型看「系统」而不是只看模型分数：同一底模配上不同的智能体框架，成绩可以差出几十分；评估时要把框架、记忆与工具链一起看。
把「不改权重也能变强」用起来：内网里可积累的资产是任务记忆、操作规程与工具，模型权重本身可以不动，这恰好符合模型与数据都不出域的部署前提。
用「步数与人工干预次数」做验收指标：同一个任务，AI 用了多少步、人来兜了几次，比「答得像不像」更能说明它是否真的进了流程。

来源：量子位对 Memento 3 研究（Model-Based Recursive Self-Improvement，Code as Model）的转述（2026-10-12）；ARC Prize 公开的 ARC-AGI-3 测试数据（经该报道引用）。本文仅转述公开研究与报道，不评判任何厂商与产品，方法可迁移性与实际效果以原始论文及自测为准。