مقاله‌ی arXiv:2610.11794 · در صف خبرنامه
Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks
ممنتو ۳: خودبهبودی بازگشتی مدل‌محور با دفترچه‌ی قاعده‌ی بازتابی که به کد اجرایی کامپایل می‌شود
- تاریخ
- (۱۶ مهر ۱۴۰۵) 2026-10-08 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Haoyu Zhao, Zhengxu Yu, Zhiyuan He, Meng Fang, Rasul Tutunov, Haitham Bou-Ammar, Weilin Luo, Jun Wang
- نهاد نویسنده‌ها
- University College London; Huawei Noah's Ark Lab, UK; University of Liverpool
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
عمل در محیط ناآشنا نیاز دارد ایجنت بفهمد جهان چطور کار می‌کند و با شواهد تازه این فهم را اصلاح کند. اما مشاهده‌های محدود می‌توانند از چند مدل جهان پشتیبانی کنند که گذشته را توضیح می‌دهند ولی در وضعیت‌های دیده‌نشده پیش‌بینی متفاوت دارند.
روش
سیستم Memento ۳ به ایجنت‌های منجمد اجازه می‌دهد با حافظه‌ی بیرونی مدل جهان صریح یاد بگیرند. ایجنت یک دفترچه‌ی قاعده به زبان طبیعی نگه می‌دارد که فرضیه‌های قابل بازنگری درباره‌ی پویایی محیط را ثبت می‌کند و جنبه‌های ناشناخته را باز می‌گذارد، و آن را برای پیش‌بینی و برنامه‌ریزی به کد اجرایی کامپایل می‌کند. در حلقه‌ی مشاهده، بازتاب، بازنگری قاعده، کامپایل و تأیید، خطاهای پیش‌بینی دفترچه و کد را اصلاح می‌کنند. کد به‌روزشده فقط وقتی پذیرفته می‌شود که مدل آن را وفادار به دفترچه بداند و بازپخش دقیق خانه‌به‌خانه گذارهای مشاهده‌شده را بازتولید کند. یک نسخه‌ی جمعیتی چند مدل جهان را موازی نگه می‌دارد.
یافته‌ها
- روی ARC-AGI-3 ایجنت تک‌مدلی همه‌ی سطح‌های هر ۲۵ بازی عمومی را حل کرد، میانگین بهره‌وری نسبی اقدام انسانی ۱۰۰٫۰ گرفت و ۴۴ درصد تعداد اقدام‌های انسان را به کار برد.
- در مطالعه‌ی موردی Atari Pong، یک کنترل‌کننده‌ی بازخوردی آموخته‌شده در هر سه دور ارزیابی‌شده با شروع‌های متفاوت ۲۱ بر صفر برد، بدون فراخوانی دیگری از مدل.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ مطالعه‌ی Pong فقط سه دور را پوشش می‌دهد.
چرا مهم است
ایجنتی که قوانین جهان را به شکل کد قابل آزمون بنویسد، می‌تواند بدون تغییر وزن‌ها خودش را پیوسته بهتر کند. نتیجه‌ی کامل روی بازی‌های عمومی ARC-AGI-3 نشان می‌دهد این مسیر برای محیط‌های ناآشنا قدرتمند است.