Para peneliti memperkenalkan Recuris, sebuah arsitektur Memori Kerja-Eksperensial rekursif yang dirancang untuk mengatasi tantangan peningkatan diri secara rekursif dalam tugas jangka panjang. Sistem ini menggunakan Memori Kerja untuk melacak kemajuan tugas dan membimbing pemilihan keterampilan dari Memori Eksperensial, sehingga keputusan didasarkan pada kebutuhan saat ini daripada riwayat lengkap.
- Meta-Agent tetap memproses bukti eksekusi menjadi pembaruan terlokalisasi untuk Memori Keterampilan, membentuk loop evolusi memori rekursif yang terbatas.
- Recuris meningkatkan keberhasilan tugas dalam 35 dari 37 pasangan model-benchmark yang diselesaikan di empat benchmark jangka panjang dan sepuluh model.
- Arsitektur ini membawa model terdepan ke kinerja tingkat SOTA, menambahkan +17.8 poin ke GPT-5.6 Sol dan +15.6 ke Claude Opus 5 pada tau-bench.
- Pada Qwen3.6-27B/35B, Recuris menambahkan +16.6/+13.5 poin pada SkillFlow, dengan keunggulan melebar menjadi +32.2 poin pada tugas terpanjang.
- Kegagalan jangka panjang umum berkurang hingga 80% seiring bertambahnya horizon interaksi.
Hasil-hasil ini menempatkan memori yang berevolusi secara rekursif sebagai fondasi yang dapat diskalakan untuk RSI, memungkinkan agen terus-menerus mengubah pengalaman yang terkumpul menjadi perilaku jangka panjang yang semakin efektif.