ユニバーシティ・カレッジ・ロンドン（UCL）とHuaweiノアズアーク・ラボなどの研究チームは、規則不明のゲームに挑むベンチマーク「ARC-AGI-3」の公開セット25ゲーム・183レベルをすべてクリアしたエージェント「Memento 3」を報告しました。言語モデル本体は一切再学習していません。
何が達成されたのか
ARC-AGI-3は、ルールも目的も操作の意味も知らされずに、ピクセル風の見知らぬゲームを攻略させる対話型ベンチマークです。arXivに投稿された論文（10月8日付）によると、Memento 3は公開セットを人間の比較プレイ（17,135手）の約44%にあたる7,518手で完了し、人間比の行動効率を示すRHAEで満点の100.0を記録しました。従来最高は99でした。
仕組み：「Code as Model」
エージェントはまず、ゲームの仕組みに関する仮説を自然言語の「ルールブック」に書き留め、それをPythonコードに翻訳して内部シミュレータを作ります。予測が実際の画面と食い違えば、コードとルールブックの両方を書き直します。64×64のフレーム単位で過去の手番を再生して整合を確認し、変更はGitで記録して失敗時はロールバックできます。基盤モデルはClaude Opus 5を推論最強設定で使用し、重みは凍結（更新なし）です。
| 項目 | 内容 |
|---|---|
| 達成 | ARC-AGI-3公開セット25ゲーム全クリア／RHAE 100.0（報告値） |
| 行動数 | 7,518手（人間比較17,135手の約44%） |
| 基盤 | 凍結したClaude Opus 5（再学習・ゲーム別チューニングなし） |
留意点
成果は公開セットに限られ、汎化を試す非公開セットでの成績は示されていません。同一基盤モデルを公式ハーネスで動かした場合はRHAE約40.7にとどまるため、改善の主因はエージェント設計側にあります。論文はプレプリントで、評価もチーム自身による実行です。
編集部の見解
「重みを更新しない学習」がどこまで実力になるかを示した興味深い研究です。ただし満点はあくまで公開ゲーム上の話で、実務で通用する汎化性能の証明ではありません。それでも、経験を外部のルールブックとコードに蓄え、食い違いを検証して直していく設計は、Claudeのような汎用モデルをGitHub CopilotやChatGPTのエージェント機能で長時間運用する場面にも通じる発想です。応用研究の動きを追う価値があります。
my-best.ai 編集部
出典：Pandaily「Huawei Noah’s Ark Lab’s Memento 3 Agent Clears All 25 ARC-AGI-3 Public Games With a Frozen Model」（2026年10月11日）／arXiv:2610.11794（プレプリント）
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。