ハーネスはより強力なAIシステムの可能性を引き出せるのか？ 研究者たちは、既存のモデルがより長く複雑なワークフローを処理できるようにする新しいハーネスを開発しました。 リカーシブ言語モデル（RLM）は、大規模なファイルやデータセットをメインモデルのコンテキスト外部に保持します。モデルはコードを使用して関連する部分を選択し、それぞれを個別のモデルリクエストに送信して結果を統合します。 これは、ファイル、ツール出力、結果がすべて1つのコンテキストに蓄積される従来のセッションとは異なります。コンテキストが大きくなると、モデルは重要な詳細を見失い始めることがあります。 この構造が学習にも改善をもたらすかどうかを検証するため、研究者たちはRLを用いて、Qwen3-30Bを固定されたRLMハーネス内で短いタスクのみで学習し、その後8～32倍の長さのタスクで評価しました。 長いタスクの評価では、RLMで学習されたモデルは大幅な改善を示しました。一方、ハーネスなしで学習された同じモデルはほとんど進歩が見られませんでした。別の実験では、同様の基本的なステップを必要とする新しいドメインにも同じ戦略を適用しました。