Les chercheurs présentent Recuris, une architecture de Mémoire de Travail Expérientielle récursive conçue pour relever les défis de l'auto-amélioration récursive dans les tâches à long terme. Le système utilise la Mémoire de Travail pour suivre les progrès et guider la sélection des compétences depuis la Mémoire Expérientielle, créant une boucle bornée qui localise les échecs et met à jour les compétences en fonction des besoins actuels.

  • Recuris améliore le succès des tâches dans 35 des 37 paires modèle-benchmark complétés sur quatre benchmarks.
  • Sur tau-bench, il ajoute +17,8 points à GPT-5.6 Sol et +15,6 à Claude Opus 5, atteignant 87,9 %.
  • Il ajoute +16,6/+13,5 points sur Qwen3.6-27B/35B sur SkillFlow.
  • L'avantage s'élargit à mesure que les horizons d'interaction augmentent, ajoutant +32,2 points sur les tâches les plus longues.
  • Les échecs courants sur le long terme sont réduits jusqu'à 80 %.

Cette approche positionne la mémoire évoluant récursivement comme une base évolutive pour l'auto-amélioration récursive, permettant aux agents de transformer continuellement l'expérience accumulée en un comportement plus efficace.