Maaari bang buksan ng mga harness ang mas makapangyarihang mga AI system? Nag-develop ang mga siyentipiko ng isang bagong harness na nagpapahintulot sa mga umiiral na modelo na mag-handle ng mas mahabang at mas kumplikadong workflow. Ang Recursive Language Model (RLM) ay nagtatago ng malalaking file at dataset sa labas ng pangunahing konteksto ng modelo. Gumagamit ang modelo ng code upang piliin ang mga may kinalaman na bahagi, ipadala ang bawat isa sa isang hiwalay na modelo request, at i-combine ang mga resulta. Ito ay iba sa karaniwang sesyon, kung saan ang mga file, output ng mga tool, at resulta ay nagkakalat sa isang konteksto. Habang tumataas ang konteksto, maaaring mawalan ng pagkakabigay ng pansin ang mga modelo sa mga mahahalagang detalye. Upang subukan kung ang istrukturang ito ay nagpapabuti rin sa pagkatuto, gumamit ang mga siyentipiko ng RL upang iturong Qwen3-30B sa loob ng isang fixed RLM harness gamit lamang ang maikling mga gawain, at pagkatapos ay isinuri ito sa mga gawain na 8–32x mas mahaba. Sa mas mahabang pagsusuri, ipinakita ng modelo na itinuro sa pamamagitan ng RLM ang malaking pagpapabuti, habang ang parehong modelo na itinuro nang walang harness ay karaniwang nagpakita ng kaunting pag-unlad. Sa hiwalay na mga eksperimento, inilapat din nito ang parehong mga estratehiya sa mga bagong domain na nangangailangan ng katulad na pangunahing hakbang.