华为AI靠RSI通关25款游戏！操作次数比人类少56%

Memento 3 的成绩单很干净：ARC-AGI-3 公开集 25 款游戏、183 个关卡全部打通，RHAE 满分 100，总操作 7518 次；人类完成同一套关卡需要 17135 次操作，Memento 3 少约 56%。这些数字来自华为诺亚方舟实验室联合 UCL 等团队的研究，由量子位报道。

但把注意力只放在“满分”上会漏掉更关键的对照：同一底模 Claude Opus 5 在 ARC Prize 官方标准测试框架下平均 RHAE 只有约 40.7 分。底模没换、权重没动、也没有针对游戏微调，成绩却从约 40.7 分升到 100 分，提升 59.3 分。这 59.3 分不是模型能力的增长，而是智能体系统带来的增量——这是本文要追问的核心。

Memento 3 的核心方法叫 Code as Model（代码即模型）。它让 AI 在游戏中同时维护两样东西：一份不断更新的 Rulebook（规则手册），用 Markdown 记录摸索出的规律、尚未搞明白的规则；以及一套 Executable World Model（可执行世界模型），把总结出的规则直接写成能运行的 Python 代码，相当于自己搓了一个简化版游戏模拟器。有了这两样，AI 可以先在自建模拟器里推演不同路线，再决定下一步怎么走。

关键在于纠错机制。报道举了一个例子：AI 起初以为踩上特殊地板后角色携带的图案会按进入方向镜像翻转，实际试过才发现是顺时针旋转 90 度且与进入方向无关，于是修改规则手册，对应 Python 代码同步更新。系统随后重新模拟此前操作，逐格对比 64×64 游戏画面，确认代码能准确复现真实结果，对不上就继续改。

这种迭代会留下版本痕迹。在符号解密游戏 tr87 中，同一份规则手册整场游戏迭代了 11 个版本，研究团队还引入 Git 版本管理以便回溯，改错了可以翻看历史版本甚至恢复。这正是研究团队所说的递归自我改进（RSI）：大模型参数不动，AI 通过积累经验、修改规则和代码让自己越玩越熟练。

方法有效不能只靠通关结果说话，研究团队做了对照实验。在三款游戏中，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。也就是说，这本“攻略”带来约 9% 的操作次数减少，智能体执行轮次也减少约 18%。

更进一步的是双世界模型：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。在游戏 wa30 中，单世界模型需要 899 次操作才能通关，换成双世界模型后降到 597 次，操作次数减少约 34%。

需要明确边界：规则手册与代码世界模型的对照实验仅在三款游戏中进行，双世界模型的提升目前也只在 wa30 上得到验证，还不能直接推广到其他游戏。这两个数字是方法有效性的证据，但不是普适性结论。

研究团队把 Memento 3 拉去挑战 Atari 经典游戏 Pong。与解谜游戏不同，小球不断移动、反弹，AI 不仅要摸清规则，还要实时判断轨迹、控制球拍。AI 最初以为球拍可分四个区域、球打在不同位置朝对应方向弹出，后来遇到一次水平反弹与总结的规则对不上，于是重新分析碰撞位置、修改反弹公式，逐步总结出更符合实际的运动规律。

策略成熟后，研究团队让程序独立上场：不再调用 Claude Opus 5，也不再更新规则。结果是三次不同开局全部打出 21:0。作为对比，如果不使用世界模型、只让大模型根据眼前画面决定下一步操作，最终得分只有 -19，和随机乱按的 -20.7 差不了多少。

效率上，Memento 3 大约只用了 9500 帧游戏画面就学出这套控制策略，而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。这组对比说明：与其让大模型每一步都重新思考，不如先让它学会怎么玩，再把打法交给程序执行。

在 Memento 3 之前，ARC-AGI-3 上已经有一批成绩。普林斯顿大学的 Continual Harness 通关 3 款、得 20.5 分；英伟达研究人员参与开发的 DreamTeam 通关 6 款、得 38.1 分；OPINE-World 得 78.4 分，NOOA 得 85.1 分。

最接近满分的是独立开发者 Sergey Rodionov 的 baseline1：25 款游戏全部打通，拿到 99 分，操作次数 8347 次。Memento 3 补上了最后 1 分，并把总操作次数压到 7518 次，比 baseline1 又少了 829 次。

这条坐标线的意义在于：满分并非凭空出现，而是在一批方法逐步逼近之后，由“更少操作”这一维度完成收口。Memento 3 的差异化不只是通关，而是用更少步骤通关。

成本是明确的约束。Memento 3 背后使用开启 Extra-High 推理强度的 Claude Opus 5，探索、生成代码和验证过程都需要消耗不少 Token 和算力。来源没有给出具体规模，因此无法判断这套方法的单位通关成本是否可接受。

泛化边界同样明确。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，这套方法还能否奏效仍有待验证。双世界模型带来的操作次数减少是否适用于 wa30 以外的其他游戏，也尚不明确。

还有几项来源未说明的信息需要标注：Memento 3 在 ARC-AGI-3 上的成绩是否经过第三方独立复现；与人类操作次数对比中人类数据的采集条件与样本量；Pong 实验中对手的具体类型或强度。这些空白不影响已确认事实的成立，但决定了这套方法能否被外推。