Hugging Face发布Memento 3：基于规则书递归自改进的智能体模型

摘要：Hugging Face推出Memento 3模型，通过外部记忆和自然语言规则书实现智能体的持续学习与递归自改进。该模型通过观察、反思、规则修订和验证的循环过程，利用预测错误改进规则书和可执行代码，从而在复杂环境中实现高效决策与任务执行。在ARC-AGI-3基准测试中，单模型智能体在所有25个公开游戏中均取得满分，并在Atari Pong案例中展示了强大的学习与适应能力。

---

核心突破

Hugging Face最新发布的Memento 3模型旨在解决智能体在复杂环境中持续学习和递归自改进的挑战。其主要特点包括：

• 基于规则书的持续学习：智能体通过维护一个自然语言规则书作为持久语义记忆，记录对环境动态的可修订假设，并通过编译成可执行代码进行预测与规划。
• 递归自改进（RSI）：通过观察、反思、规则修订、编译和验证的循环过程，智能体利用预测错误改进规则书和代码，从而实现自改进。
• 多模型并行维护：通过种群扩展机制，智能体可以并行维护多个世界模型，共享交互证据并利用其预测指导探索。

技术亮点

1. 外部记忆与规则书：Memento 3利用外部记忆存储环境动态的假设，并通过自然语言规则书记录可修订的规则。这种方法使得智能体能够在未知环境中逐步构建对世界的理解。
2. 预测与验证机制：智能体通过编译规则书生成可执行代码，并使用预测错误来改进规则书和代码。只有当LLM判断更新后的代码忠实于规则书，并且细胞精确重放能够再现观察到的转换时，更新才会被接受。
3. 多模型协作：种群扩展机制允许智能体并行维护多个世界模型，共享交互证据并利用其预测指导探索，从而提高模型的鲁棒性和适应性。

行业影响

Memento 3的发布标志着AI智能体在复杂环境中的持续学习和递归自改进方面的重要进展。其在ARC-AGI-3和Atari Pong等基准测试中的优异表现展示了该模型在游戏AI、机器人控制和自动化系统等领域的巨大潜力。此外，该模型为AI智能体在资源受限和动态变化环境中的高效运行提供了新的技术路径。

开发者建议

• 探索多模型协作：开发者可以利用Memento 3的种群扩展机制，探索多模型协作在复杂任务中的应用。
• 优化规则书设计：通过优化规则书的设计，开发者可以提高智能体在特定任务中的表现。
• 结合强化学习：结合强化学习技术，可以进一步提升智能体的学习效率和任务执行能力。

结论

Memento 3的发布为AI智能体在复杂环境中的持续学习和递归自改进提供了新的解决方案。其创新性的方法和技术亮点为AI领域的研究和应用开辟了新的方向。

---

消息来源：Hugging Face Daily Papers (2026-10-08)

—— 完 ——

主题标签： #Hugging Face 关注 #Memento 3 关注 #递归自改进 关注 #智能体 关注 #外部记忆 关注