一水 发自 凹非寺

量子位 | 公众号 QbitAI

一边打游戏，一边给我方升级？

好家伙，华为这波顺利让AI学会了《边玩边变强》啊？！

最新一项商讨，华为诺亚方舟实验室聚合UCL等团队拿出了一个名叫Memento 3的AI智能体系统——

顺利把ARC-AGI-3公开集里的25款游戏、183个关卡，一谈买通了。

还不是靠无脑试错硬闯往时的。

东谈主类完成相同一套关卡，需要17135次操作。

而Memento 3只用了7518次，比东谈主类少操作约56%，最终拿下了满分100的RHAE得益（Relative Human Action Efficiency，相对东谈主类行动效用）。

更离谱的是，这套系统以Claude Opus 5为底模，全程莫得更新模子权重，也莫得针对游戏进行微调。

它就这样我方上手玩，我方斟酌章程，我方写代码，玩错了还会反想、修改。

然后就……满分通关了。

算作对比，Claude Opus 5在ARC Prize官方圭臬测试框架下，平均RHAE独一约40.7分。

相同的底模，换了套智能体系统，得益竟然顺利飙升了59.3分。

还没完。

这套门径不光能玩解谜游戏，商讨团队还让它跑去打了Atari经典游戏Pong（乒乓球）。

收尾，AI我方摸索出限度战略，随后无须再向大模子苦求推理，就一语气三局把敌手打成了21：0。

不是，大模子齐不参与后续操作了，游戏竟然还能打得这样溜？！

要津就藏在这项商讨的题目里：

Model-Based Recursive Self-Improvement，基于寰宇模子的递归自我改换。

华为AI顺利通关25款游戏，操作次数比东谈主类还少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，柔软AI评测的一又友，对ARC系列应该不生分。

但这一代有个相当昭着的变化：

不再仅仅出题解题那一套了，此次是顺利把AI扔进生分的游戏寰宇。

章程，是需要AI我方猜的；目标，是需要AI我方找的；操作会产生什么效用，是需要AI我方试的。

AI：合着完竣靠我呗~

这25款公开游戏一共包含183个关卡，画面大多由精真金不怕火的像素、方块、神采和图形构成。

乍一看，以致有点像几十年前的小游戏书籍。

但可别被这朴素的画风骗了。

对AI来说，如何操作不是最难的，最空乏的是根柢不知谈这个寰宇如何运转。

踩上非凡地板会发生什么？一扇门打不开，是神采没对上，照旧方式不匹配？

更空乏的是，背面的关卡还可能出现新章程，把之前摸索出的教师一谈推翻。

别说AI了，东谈主类玩家也会卡住。

ARC Prize的测试数据领路，在一款需要操控变形虫迁徙、变色的益智游戏r11l中，10名参与者一谈通关；而另一款锤真金不怕火象征破译才略的解谜游戏tr87，12东谈主挑战，独一6东谈主告成。

在华为AI之前，各路商讨团队就还是卷得非常热烈了：

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

英伟达商讨东谈主员参与设立的DreamTeam稍好一些，通关6款，得分38.1。

再往上，落寞商讨者David Courtis设立的OPINE-World，以及英伟达团队的NOOA，分袂拿到了78.4分和85.1分。

最猛的是落寞设立者Sergey Rodionov的baseline1，不仅把25款游戏一谈买通，还拿到了99分，距离满分只差1分。

但华为团队此次，顺利把终末这1分也补上了。

Memento 3不仅以100分的得益通关一谈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，而且还用更少的门径通关。

如何作念到的？？

无须历练大模子，AI靠给我方写攻略完了“打怪升级”

翻了下论文，Memento 3的中枢门径叫Code as Model（代码即模子）。

听着有点详细，其实即是让AI在玩游戏的经由中，给我方准备两样东西：

一册不停更新的游戏攻略，以及一套能模拟游戏运行的代码。

Rulebook（章程手册）：一份Markdown文档，纪录AI在游戏里摸索出的律例，比如什么操作会触发什么效用、如何时期通关，还有哪些章程没搞阐明。Executable World Model（可扩充寰宇模子）：AI会把我方回来出的章程，顺利写成大致运行的Python代码，非常于我方搓了一个简化版的游戏模拟器。

有了这两样东西，AI就能先在我方搭建的模拟器里推演不同阶梯，再决定下一步如何走。

但问题来了，万逐一启动领略的游戏章程即是错的呢？

别急，Memento 3不仅会我方写攻略，发现写错了，还能我方推翻重来。

论文里就展示了一个例子。

AI在一款解谜游戏中遭遇非凡地板，开端认为踩上去后，脚色佩戴的图案会笔据过问场地发生镜像翻转。

收尾信得过试过才发现，图案不是翻转，而是顺时针旋转90度，而且与过问场地无关。

于是AI修改章程手册，对应的Python代码也随着更新。

不外，改完还得验。

系统会再行模拟此前的操作，逐格对比64×64的游戏画面，证实代码能准确复现确切收尾。

对不上，就不时改。

就这样，AI一边探索，一边纠错，章程越改越准。

而且前边学到的教师，还能带到背面的关卡。

比如象征解密游戏tr87，AI领先分不清象征朝向是否影响含义，自后发现不同场地的象征可能代表归拢个字母。

随着新关卡出现，它又推翻了之前对游标位置的领略。

整场游戏下来，归拢份章程手册迭代了11个版块。

为了浅易回溯，商讨团队以致引入了Git版块贬责。

每次修改章程和代码齐会留住纪录，发现那里改错了，还能翻看历史版块，必要时顺利还原。

好家伙，打个游戏还顺遂爱戴起代码仓库了。

这也恰是商讨团队所说的递归自我改换（RSI）。

大模子参数无须动，AI通过不停积聚教师、修改章程和代码，就能让我方越玩越熟练。

而且，这套门径还真少见据撑握。

商讨团队在三款游戏中作念了对确乎验：

保留章程手册时，AI整个用了617次操作；去掉章程手册，只保留代码寰宇模子，则需要677次。

非常于有了这本攻略，操作次数减少约9%，智能体扩充轮次也减少了约18%。

但商讨团队还不高傲于此。

既然一个寰宇模子能匡助AI少走弯路，那同期用两个呢？

于是，他们让AI同期爱戴两套寰宇模子，分享游戏操作纪录，但各自推演不同的章程假定。

收尾，在游戏wa30中，单寰宇模子需要899次操作时期通关，换成双寰宇模子后，顺利降到了597次。

操作次数又减少了约34%。

虽然，这一提高当今只在wa30上获得考据，还不可顺利延迟到其他游戏。

但至少在这些实验里，Memento 3诠释了一件事：

无须再行历练大模子，AI也能靠不停修正我方对寰宇的领略，越玩越强。

游戏打到21：0，AI以致无须再调用大模子了

那这套门径只可用来玩解谜游戏吗？

商讨团队决定再加点难度，顺利把Memento 3拉去挑战经典街机游戏Atari Pong（乒乓球）。

和前边的解谜游戏不同，此次小球会不停迁徙、反弹，AI不仅要摸清游戏章程，还得及时判断球的领略轨迹，限度拍子接球。

收尾这一试，还真试出了点新东西。

一启动，AI相同不知谈球的反弹律例，只可边打边摸索。

它领先认为，拍子不错分红四个区域，小球打在不同位置，就会朝对应场地弹出去。

收尾打着打着，短暂出现了一次水申雪弹。

诶？这和之前回来的章程对不上啊。

于是AI再行分析碰撞位置，修改反弹公式，自后又遭遇新的轨迹偏差，就不时迂曲，冉冉回来出更得当本色情况的领略律例。

比及限度战略老到，商讨团队干脆让这套圭表落寞上场。

不再调用Claude Opus 5，也不再更新章程。

收尾，三次不同开局，一谈打出了21：0。

好家伙，前边还在摸索如何接球，背面顺利把敌手打了个零封？？？

而且谨慎了，这时候的大模子还是无须躬行上场了。

它只谨慎前期摸索章程、回来嘱咐，等战略学会了，顺利交给代码扩充。

算作对比，若是不使用寰宇模子，只让大模子笔据咫尺的画面决定下一步如何操作，最终得分独一-19，和就地乱按的-20.7差不了若干。

这一双比，差距就出来了。

与其让大模子每一步齐再行想考，不如先让它学会如何玩，再把嘱咐交给圭表。

而且效用也挺夸张。

论文数据领路，Memento 3约莫只用了9500帧游戏画面，就学出了这套限度战略。

比较之下，部分传统强化学习门径往往需要数十万以致上亿帧历练数据。

虽然，这不代表Memento 3莫得资本。

毕竟，它背后用的是开启Extra-High推理强度的Claude Opus 5，探索、生成代码和考据的经由，齐需要耗尽不少Token和算力。

而且当今实验主要针对章程相对明确的游戏环境，若是换成愈加复杂、多变的实践寰宇，这套门径还能不可见效，仍有待考据。

不外，这项商讨倒是指出了一个值得柔软的场地：

递归自我改换（RSI）并不一定要动模子底层权重。通过构建可搜检、可扩充、可回滚的外部寰宇模子，冻结参数的通用大模子相同能在生分限度里自我迭代、赶紧进化。

论文地址：

https://arxiv.org/abs/2610.11794

参考联贯：

https://x.com/ScarletKc/status/2109169173540884935

— 完 —

量子位 QbitAI · 头条号签约

柔软咱们，第一时期获知前沿科技动态