Чи можуть харнеси розблокувати потужніші системи ШІ? Дослідники розробили новий харнес, який дозволяє існуючим моделям обробляти довші та складніші робочі процеси. Рекурсивна мовна модель (RLM) зберігає великі файли та набори даних поза основним контекстом моделі. Модель використовує код для вибору відповідних фрагментів, надсилання кожного через окремий запит до моделі та об’єднання результатів. Це відрізняється від звичайних сеансів, де файли, вихідні дані інструментів та результати накопичуються в одному контексті. Зі зростанням контексту моделі можуть починати втрачати контроль над ключовими деталями. Щоб перевірити, чи така структура також покращує навчання, дослідники використали підсилення (RL) для навчання Qwen3-30B у фіксованому харнесі RLM, використовуючи лише короткі завдання, а потім оцінили його на завданнях у 8–32 рази довших. При оцінці довших завдань модель, навчена за допомогою RLM, продемонструвала значне покращення, тоді як та сама модель, навчена без харнесу, загалом не показала практично жодного прогресу. У окремих експериментах вона також застосувала ці ж стратегії в нових галузях, які вимагали подібних базових кроків.