هل يمكن للأطر أن تفتح أبواب لأنظمة ذكاء اصطناعي أكثر قوة؟ طور الباحثون إطارًا جديدًا يسمح للنماذج الحالية بالتعامل مع سير عمل أطول وأكثر تعقيدًا. يحتفظ نموذج اللغة التكراري (RLM) بالملفات ومجموعات البيانات الكبيرة خارج سياق النموذج الرئيسي. يستخدم النموذج التعليمات البرمجية لاختيار الأجزاء ذات الصلة، وإرسال كل جزء عبر طلب نموذج منفصل، ثم دمج النتائج. هذا يختلف عن الجلسات العادية، حيث تتراكم الملفات ومخرجات الأدوات والنتائج في سياق واحد. مع نمو السياق، قد تبدأ النماذج في فقدان تتبع التفاصيل الأساسية. لاختبار ما إذا كان هذا الهيكل يحسن أيضًا التعلم، استخدم الباحثون التعلم المعزز لتدريب Qwen3-30B داخل إطار RLM ثابت باستخدام مهام قصيرة فقط، ثم قيّموا الأداء على مهام أطول بـ 8–32 ضعفًا. في التقييمات الأطول، أظهر النموذج المدرب باستخدام RLM تحسنًا كبيرًا، بينما أظهر نفس النموذج المدرب بدون الإطار تقدمًا ضئيلًا بشكل عام. وفي تجارب منفصلة، طبق أيضًا نفس الاستراتيجيات في مجالات جديدة تتطلب خطوات أساسية مشابهة.