Los investigadores presentan Recuris, una arquitectura de Memoria Experiencial-de-Trabajo recursiva diseñada para abordar los desafíos de la auto-mejora recursiva en tareas de largo alcance. El sistema utiliza la Memoria de Trabajo para rastrear el progreso de la tarea y guiar la selección de habilidades desde la Memoria Experiencial, fundamentando las decisiones en las necesidades actuales en lugar del historial completo.

  • Un Meta-Agente fijo procesa la evidencia de ejecución en actualizaciones localizadas para la Memoria de Habilidades, formando un bucle de evolución de memoria recursivo acotado.
  • Recuris mejora el éxito de la tarea en 35 de los 37 pares modelo-benchmark completados a través de cuatro benchmarks de largo alcance y diez modelos.
  • La arquitectura lleva a los modelos de vanguardia a un rendimiento de nivel SOTA, añadiendo +17.8 puntos a GPT-5.6 Sol y +15.6 a Claude Opus 5 en tau-bench.
  • En Qwen3.6-27B/35B, Recuris añade +16.6/+13.5 puntos en SkillFlow, con ventajas que se amplían hasta +32.2 puntos en las tareas más largas.
  • Los fallos comunes de largo alcance se reducen hasta un 80% a medida que crecen los horizontes de interacción.

Estos resultados posicionan la memoria evolutiva recursiva como una base escalable para RSI, permitiendo a los agentes transformar continuamente la experiencia acumulada en comportamiento de largo alcance cada vez más efectivo.