연구자들은 장기 작업에서 재귀적 자기 개선의 과제를 해결하기 위해 설계된 재귀적 경험-작업 기억 아키텍처인 Recuris를 소개합니다. 이 시스템은 작업 기억을 사용하여 작업 진행 상황을 추적하고 경험 기억에서 기술 선택을 안내하며, 전체 기록이 아닌 현재 필요에 기반해 결정을 내립니다.

  • 고정된 Meta-Agent는 실행 증거를 처리하여 기술 기억의 지역적 업데이트를 생성하며, 이는 유계 재귀적 메모리 진화 루프를 형성합니다.
  • Recuris는 4개의 장기 벤치마크와 10개 모델에 걸쳐 완료된 37개 모델-벤치마크 쌍 중 35개에서 작업 성공률을 향상시켰습니다.
  • 이 아키텍처는 최첨단 모델을 SOTA 수준의 성능으로 끌어올리며, tau-bench에서 GPT-5.6 Sol에는 +17.8점, Claude Opus 5에는 +15.6점을 추가했습니다.
  • Qwen3.6-27B/35B에서 Recuris는 SkillFlow에서 각각 +16.6/+13.5점을 추가했으며, 가장 긴 작업에서는 이 차이가 +32.2점으로 더 벌어졌습니다.
  • 상호작용 범위가 증가함에 따라 일반적인 장기 실패가 최대 80%까지 감소합니다.

이러한 결과는 재귀적으로 진화하는 메모리가 RSI를 위한 확장 가능한 기반을 제공하며, 에이전트가 축적된 경험을 지속적으로 더 효과적인 장기 행동으로 변환할 수 있게 함을 보여줍니다.