据量子位报道，华为诺亚方舟实验室联合UCL等团队提出名为Memento 3的AI智能体系统，在ARC-AGI-3公开集的25款游戏、183个关卡中全部通关，取得满分100的RHAE（Relative Human Action Efficiency，相对人类行动效率）成绩，总操作次数为7518次。作为对照，人类完成同一套关卡需要17135次操作，Memento 3的操作次数比人类少约56%。
该系统的底模为Claude Opus 5，但全程没有更新模型权重，也没有针对游戏进行微调。据量子位报道，Claude Opus 5在ARC Prize官方标准测试框架下的平均RHAE约为40.7分；换成Memento 3的智能体系统后，成绩提升59.3分。此前，独立开发者Sergey Rodionov的baseline1已通关全部25款游戏，得到99分，操作次数为8347次；Memento 3将分数补到100分，并把操作次数减少829次。
ARC-AGI-3是ARC Prize推出的新评测集。与以往出题解题的形式不同，这一代把AI放入陌生游戏世界，规则需要AI自己猜，目标需要AI自己找，操作效果也需要AI自己试。25款公开游戏共183个关卡，画面多由像素、方块、颜色和图形组成，但后续关卡可能引入新规则，推翻此前经验。ARC Prize测试数据显示，在益智游戏r11l中，10名参与者全部通关；在符号破译解谜游戏tr87中，12人挑战只有6人成功。在Memento 3之前，普林斯顿大学的Continual Harness通关3款游戏，得分20.5；英伟达研究人员参与开发的DreamTeam通关6款，得分38.1；独立研究者David Courtis的OPINE-World和英伟达团队的NOOA分别得到78.4分和85.1分。
Memento 3的核心方法称为Code as Model，即代码即模型。它让AI在游戏过程中维护一份Markdown格式的规则手册，记录操作会触发什么效果、怎样通关以及哪些规则尚未搞明白；同时维护一个可执行世界模型，把总结出的规则写成能够运行的Python代码，相当于自己搭建简化版游戏模拟器。AI可以先在模拟器中推演不同路线，再决定下一步操作。如果规则理解有误，系统会修改规则手册，并同步更新代码。论文展示的一个例子中，AI起初认为角色踩上特殊地板后，携带图案会根据进入方向发生镜像翻转，实际测试后发现图案是顺时针旋转90度，且与进入方向无关。系统随后重新模拟此前操作，逐格对比64×64的游戏画面，确认代码能复现真实结果。整场游戏下来，同一份规则手册迭代了11个版本，研究团队还引入Git版本管理以便回溯。
研究团队在三款游戏中做了对照实验：保留规则手册时，AI总共使用617次操作；去掉规则手册、只保留代码世界模型，则需要677次，操作次数减少约9%，智能体执行轮次减少约18%。团队还尝试让AI同时维护两套世界模型，共享游戏操作记录，但各自推演不同规则假设。在游戏wa30中，单世界模型需要899次操作通关，双世界模型降到597次，操作次数减少约34%。这一提升目前只在wa30上得到验证。
除解谜游戏外，Memento 3还被用于挑战Atari经典游戏Pong。AI最初以为球拍可以分成四个区域，小球打在不同位置会朝对应方向弹出，后来出现一次水平反弹，与已有规则不符，AI重新分析碰撞位置并修改反弹公式，逐渐总结出运动规律。控制策略成熟后，研究团队让程序独立上场，不再调用Claude Opus 5，也不更新规则，结果三次不同开局均打出21：0。若不使用世界模型，只让大模型根据眼前画面决定下一步操作，最终得分为-19，与随机乱按的-20.7接近。论文数据显示，Memento 3约用9500帧游戏画面学出控制策略，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。
这套系统仍有成本。它背后使用开启Extra-High推理强度的Claude Opus 5，探索、生成代码和验证过程需要消耗Token和算力。目前实验主要针对规则相对明确的游戏环境，若换成更复杂、多变的现实世界，方法是否有效仍待验证。