Могут ли ограничения раскрыть более мощные ИИ-системы? Исследователи разработали новый подход, позволяющий существующим моделям обрабатывать более длинные и сложные рабочие процессы. Рекурсивная языковая модель (RLM) хранит крупные файлы и наборы данных вне основного контекста модели. Модель использует код для выбора релевантных фрагментов, отправки каждого через отдельный запрос к модели и объединения результатов. Это отличается от обычных сессий, где файлы, результаты инструментов и выводы накапливаются в одном контексте. По мере роста контекста модели могут начинать терять ключевые детали. Чтобы проверить, улучшает ли такая структура также обучение, исследователи использовали метод усиленного обучения (RL) для обучения Qwen3-30B внутри фиксированного RLM-ограничения, используя только короткие задачи, а затем оценили его на задачах в 8–32 раза длиннее. При оценке на более длинных задачах модель, обученная с использованием RLM, показала значительное улучшение, в то время как та же модель, обученная без ограничения, продемонстрировала минимальный прогресс. В отдельных экспериментах она также применила те же стратегии в новых областях, требующих аналогичных базовых шагов.