Des chercheurs présentent Recuris, une architecture de mémoire de travail expérientielle récursive conçue pour relever les défis de l'amélioration récursive de soi dans des tâches à long terme. Le système utilise la mémoire de travail pour suivre l'avancement de la tâche et guider la sélection des compétences depuis la mémoire expérientielle, ancrant les décisions dans les besoins actuels plutôt que dans l'historique complet.

  • Un méta-agent fixe traite les preuves d'exécution en mises à jour localisées pour la mémoire de compétences, formant une boucle d'évolution de la mémoire récursive bornée.
  • Recuris améliore le succès des tâches dans 35 des 37 paires modèle-benchmark complétés sur quatre benchmarks à long terme et dix modèles.
  • L'architecture porte les modèles de pointe à un niveau de performance SOTA, ajoutant +17,8 points à GPT-5.6 Sol et +15,6 à Claude Opus 5 sur tau-bench.
  • Sur Qwen3.6-27B/35B, Recuris ajoute +16,6/+13,5 points sur SkillFlow, avec des avantages s'élargissant à +32,2 points sur les tâches les plus longues.
  • Les échecs courants à long terme sont réduits jusqu'à 80 % à mesure que les horizons d'interaction augmentent.

Ces résultats positionnent la mémoire évoluant récursivement comme une base évolutive pour l'IRS, permettant aux agents de transformer continuellement l'expérience accumulée en un comportement à long terme de plus en plus efficace.