输 19 分的 AI，给自己写了本规则手册

先看一组对照。同一个 Claude Opus 5，玩雅达利乒乓球：直接上场，每帧调用一次模型，零记忆，输了 19 分。给它一套外部记忆和学习循环，再上场，21:0，三局不同开局，一分不丢。

模型没换。变的只是中间那层东西。

这是十月初挂上 arXiv 的 Memento 3，UCL、华为诺亚方舟实验室和利物浦大学的合作，通讯作者是 UCL 的汪军。论文把它定位成递归自我改进（RSI）的一条新路线：模型的权重全程冻结，被改动的是一份外部的世界模型。视频把它叫「黑科技」，实际的东西朴素得多——一本用人话写的、会自我纠错的规则手册。

三个部件

第一件是规则手册。 agent 用自然语言记录自己对世界的猜想：球碰到拍子会反弹、门要配对颜色的徽章才能开。没观察到的地方就留空，不瞎编。它是持久的语义记忆，随证据到来不断修订。

第二件是编译器。 规则手册被实时编译成 Python 代码——一个可执行的世界模型。规划时不用问大模型「下一步会怎样」，直接在代码里推演：试这条动作序列，预测结果，挑一条能过关的。论文给这条路起了个名字，代码即模型。

第三件是门卫。 每次修订后的代码想上岗，要过两道检查：大模型判断代码是否忠实于规则手册；然后逐格重放——用新代码把历史交互轨迹从头推一遍，每一格预测都必须和当初的实际观测完全一致，差一格都不行。过不了就打回，改了再验。规则手册本身用类似 git 的方式存版本，agent 能翻出旧假设、对比两次修订的差异，甚至恢复被后来编辑弄坏的版本。

错了怎么办？自我批评，改规则，重新编译，再过门卫。循环到完全对得上历史为止。这套流程没有一点神秘：预测错误是信号，规则是假设，重放是判据。

成绩单与漏掉的细节

在 ARC-AGI-3 的 25 款公开游戏上，这个 agent 全部通关，效率分 RHAE 到达 100.0 的封顶值，总动作数 7,518，是人类基线的 44%。

「大满贯」是真的，但有一处背景值得补：ARC-AGI-3 社区榜上的 baseline1（Rodionov，今年五月，同样走可执行世界模型路线）也通了全部 25 款，效率分 99.0。两家的差距是一分效率，不是「有没有人做到」——可执行世界模型这条路线，已经是榜单前两名的共同底座。Memento 3 的实验 harness 本身就是在 baseline1 的代码库上搭的。排行榜再往下：NOOA 85.1 通 19 款，OPINE-World 78.4 通 20 款，Claude Opus 5 配标准测试架只有约 40.7。

乒乓球的账

Pong 的对照表值得整段看。无模型强化学习（Rainbow、IMPALA、GDI、LASER）拿到 21 分，学习成本都是 2.0×10⁸ 帧。基于模型的强化学习（EfficientZero 两代）20 到 21 分，4.0×10⁵ 帧。人类平均 14.6 分。Memento 3 的控制器 21 分，学习成本 9.5×10³ 帧。

九千五百帧。对无模型 RL 是约两万倍的差距，对模型化 RL 也差四十倍——「几个数量级」的说法有表可查，而且说的是保守的那种。学到 21:0 就停，之后控制器固定，执行阶段零次模型调用。同一个 LLM 不带世界模型的结果也印在同一张表里：−19。

为什么值得在意

权重冻结、外部记忆自改，这个组合把「自我改进」从参数层挪到了认知外挂层。论文自己的说法是 model-based 的 RSI 路线：改进的对象不是模型，是模型身后的世界模型。

这门路线的命门和亮点是同一个东西：验证门。规则改成什么样由模型说了算，改得算不算数由重放说了算——逐格复现不了历史，就当没改。可执行的世界模型可靠，不是因为它写成了代码，而是因为它随时会被历史轨迹抓错。三局 21:0 之前，是无数次没通过门卫的草稿。

7,518 个动作，9,500 帧，两道检查。这本手册值钱的不是里面的规则，是改规则的规矩。