伦敦大学学院与华为诺亚推 Memento 3，以冻结大模型通关 ARC-AGI-3

伦敦大学学院（UCL）与华为诺亚方舟实验室的研究团队发布 Memento 3，一种让底层大模型保持“冻结”、仅靠外部记忆自我改进的智能体框架。在 ARC-AGI-3 这个以“反记忆化”著称的抽象推理基准上，它通关了全部 25 个公开关卡，取得满分 100.0 的相对人类动作效率（RHAE），而总动作数仅 7,518 步，相当于人类基线 17,135 步的 44%。

与传统动辄微调或重训模型的做法不同，Memento 3 把“世界模型”写成一份 Markdown 格式的自然语言规则手册，并在每次预测失败后将其编译成可执行的 Python 模块。系统先观察环境、反思假设、修改规则、重新编译，再用“单元格级精确回放”验证新规则能否复现已观测到的状态转移；只有通过了语义对齐审计和确定性回放，更新才会被接受。论文作者包括 Haoyu Zhao、Zhengxu Yu 等人，相关结果发表于 arXiv（编号 2610.11794）。

这种“以代码为模型”的设计带来两个值得注意的效果。其一，在相同的 ARC-AGI-3 基准上，直接推理的 Claude Opus 5 仅拿到 40.7 的 RHAE，与 Memento 3 相差约 59 分，说明显式的规则修订比单纯依赖大模型推理更有效。其二，在一个 Atari 乒乓球案例研究中，由规则手册衍生的反馈控制器在三次对局中以 21:0 完胜对手，且执行阶段不再调用任何大模型推理，论文称其样本效率比 EfficientZero V2 等基于模型的强化学习基线高约 42 倍。

对业界而言，Memento 3 的意义在于把“外部记忆”推到了与“训练出的世界模型”平起平坐的位置。过去一年，企业一边扩张智能体预算，一边对各类基准成绩的可信度心存疑虑；一个冻结大模型、靠可读规则手册迭代就能逼近甚至超越人类动作效率的系统，正把争论引向一个新方向：驱动智能体表现的，究竟是更大的模型，还是围绕较小模型更聪明的脚手架。不过需要明确的是，上述成绩均来自公开关卡，基准还保留了一套用于防过拟合的私有评测集，Memento 3 在私有集上的表现仍有待独立验证。