Исследователи представляют Recuris, рекурсивную архитектуру Опытной-Рабочей Памяти, предназначенную для решения проблем рекурсивного самосовершенствования в задачах с длительным горизонтом. Система использует Рабочую Память для отслеживания прогресса задачи и выбора навыков из Опытной Памяти, опираясь на текущие потребности, а не на полную историю.

  • Фиксированный Мета-агент обрабатывает доказательства выполнения в локализованные обновления для Памяти Навыков, формируя ограниченный цикл рекурсивной эволюции памяти.
  • Recuris повышает успешность выполнения задачи в 35 из 37 завершённых пар «модель-бенчмарк» на четырёх бенчмарках с длительным горизонтом и десяти моделях.
  • Архитектура выводит передовые модели на уровень SOTA, добавляя +17.8 балла GPT-5.6 Sol и +15.6 Claude Opus 5 в tau-bench.
  • На Qwen3.6-27B/35B Recuris добавляет +16.6/+13.5 баллов на SkillFlow, при этом преимущество увеличивается до +32.2 балла на самых длинных задачах.
  • Распространённые ошибки при длительном горизонте сокращаются до 80% по мере роста горизонта взаимодействия.

Эти результаты позиционируют рекурсивно эволюционирующую память как масштабируемую основу для RSI, позволяя агентам непрерывно преобразовывать накопленный опыт в всё более эффективное поведение с длительным горизонтом.