研究者らは、長期タスクにおける再帰的自己改善の課題に対処するために設計された、再帰的な経験的作業記憶アーキテクチャであるRecurisを発表した。このシステムは作業記憶を使用して進捗を追跡し、経験的記憶からスキル選択を誘導することで、失敗を局所化し、現在のニーズに基づいてスキルを更新する制限付きループを作成する。

  • Recurisは4つのベンチマークにわたる37組の完了したモデル・ベンチマークペアのうち35組でタスク成功率を向上させた。
  • tau-benchでは、GPT-5.6 Solに+17.8ポイント、Claude Opus 5に+15.6ポイントを追加し、87.9%に到達した。
  • SkillFlowにおいてQwen3.6-27B/35Bに対してそれぞれ+16.6/+13.5ポイントを追加した。
  • 相互作用の地平線が広がるにつれてその優位性は拡大し、最長のタスクでは+32.2ポイントを追加した。
  • 一般的な長期タスクの失敗は最大80%削減された。

このアプローチは、再帰的に進化していく記憶をスケーラブルな基盤として位置づけ、エージェントが蓄積された経験をより効果的な行動へと継続的に変換することを可能にする。