Исследователи представляют Recuris, рекурсивную архитектуру Опытной Рабочей Памяти (Experiential-Working Memory), предназначенную для решения проблем рекурсивного самосовершенствования в долгосрочных задачах. Система использует Рабочую Память для отслеживания прогресса и выбора навыков из Опытной Памяти, создавая ограниченный цикл, который локализует ошибки и обновляет навыки на основе текущих потребностей.
- Recuris повышает успешность задач в 35 из 37 завершённых пар «модель-бенчмарк» на четырёх бенчмарках.
- В tau-bench он добавляет +17.8 балла для GPT-5.6 Sol и +15.6 для Claude Opus 5, достигая 87.9%.
- Он добавляет +16.6/+13.5 баллов для Qwen3.6-27B/35B на SkillFlow.
- Преимущество возрастает по мере увеличения горизонта взаимодействия, добавляя +32.2 балла в самых длинных задачах.
- Распространённые ошибки долгосрочных задач сокращаются до 80%.
Этот подход позиционирует рекурсивно эволюционирующую память как масштабируемую основу для рекурсивного самосовершенствования, позволяя агентам непрерывно преобразовывать накопленный опыт в более эффективное поведение.