Bolehkah harness membuka sistem AI yang lebih kuat? Para penyelidik telah membangunkan sebuah harness baru yang membolehkan model sedia ada menangani alur kerja yang lebih panjang dan lebih kompleks. Recursive Language Model (RLM) menyimpan fail dan set data besar di luar konteks model utama. Model menggunakan kod untuk memilih bahagian yang relevan, menghantar setiap bahagian melalui permintaan model yang berasingan, dan menggabungkan keputusan. Ini berbeza daripada sesi biasa, di mana fail, output alat, dan keputusan bertambah dalam satu konteks. Semasa konteks membesar, model boleh mulai kehilangan perhatian terhadap butiran penting. Untuk menguji sama ada struktur ini juga meningkatkan pembelajaran, para penyelidik menggunakan RL untuk melatih Qwen3-30B di dalam harness RLM yang tetap menggunakan hanya tugas-tugas ringkas, kemudian menilainya pada tugas yang 8–32x lebih panjang. Pada penilaian yang lebih panjang, model yang dilatih dengan RLM menunjukkan peningkatan yang ketara, manakala model yang sama yang dilatih tanpa harness biasanya menunjukkan sedikit kemajuan. Dalam eksperimen berasingan, ia juga menerapkan strategi yang sama dalam domain baru yang memerlukan langkah-langkah asas yang serupa.