8 月 25 日、8 人の研究者が Recuris という仕組みの論文とコードを公開した。長い手順のタスクをこなすエージェントを、言語モデルの重みを一度も更新せずに強くする、という主張だ。書き換えるのはモデルの外側に置いた記憶のほうで、モデルは凍結したまま動かさない。手元の AI が「使うほど賢くなる」とき、賢くなっているのはモデルなのか、自分が渡した記憶なのか——その区別は、個人が AI を道具として持つときの前提を変える。
凍結したモデルの外側で動いているもの
Recuris は凍結した言語モデルの周りに二つのループを置く。
一つ目は作業中のループだ。Working Memory が「いま何がどこまで進み、何が未解決か」という状態を持ち、その状態に応じて Experiential Memory から再利用可能な「スキル」を呼び出す。行動したあと、環境からの反応で本当に前進したかを確かめてから状態を更新する。履歴を全部読み返すのではなく、いまの状態を見て次に使うものを決める、という設計だ。
二つ目は作業をまたぐループだ。実行の記録を固定の Meta-Agent が読み、失敗を「保存されたスキル」「状態の表し方」「呼び出しの方針」「検証器」のどれのせいかまで切り分け、その部分だけを直す案を出す。案は検証ゲートを通ったものだけが採用される。
著者らはこの往復を、記憶が行動を作り、行動が記憶の限界を暴き、その限界が次の更新を導く循環だと説明する。重みは動かない。動くのは記憶だけだ。
数字はどこまで言えるか
著者らの計測では、4 種の長期タスク評価（τ²-Bench の retail と airline、SkillFlow、Terminal-Bench 2.1）と 10 のモデルを組み合わせ、完了した 37 組のうち 35 組で成功率が上がった。τ²-Retail では GPT-5.6 Sol が 58.3 から 76.1 へ（+17.8 ポイント）、Claude Opus 5 が 72.4 から 87.9 へ（+15.6 ポイント）。差はやり取りが長くなるほど開き、最も長いタスク帯で +32.2 ポイントに達したという。
これらはすべて著者ら自身の計測だ。評価の条件も実装も同じ研究チームが用意している。ここは申告として読むところで、外から確かめる方法はひとつしかない——同じコードを自分で回すことだ。
その手段は公開されている。実装は Apache-2.0 で GitHub に置かれ、Python 3.12 以降と OpenAI 互換の推論エンドポイントがあれば動く。評価の一部は Docker を要求する。数字を信じるかどうかを、他人の再現報告を待たずに自分で決められる形にはなっている。
記憶が、別のモデルに移る
報告の中でいちばん筋の太い部分は移植の話だ。あるモデルの上で育てた記憶を、その育成に一度も参加していない GPT-5.6 Sol や Claude Opus 5 にそのまま読み込ませても機能した、と著者らは書いている。
これが広く成り立つなら、「使い込んだ AI」の中身の一部はモデルから切り離せることになる。乗り換えるたびにゼロから育て直さなくてよい。裏を返せば、育てた記憶は持ち出せる資産であり、同時に持ち出されうるものでもある。どこに置き、誰が読めるようにしておくかが、そのまま自分の側の問題になる。
対象は 3B 級の小さなオープンウェイトモデルから最前線のモデルまで広い。小さいモデルでも効いたという報告は、手元の機械で回す側にとっては別の意味を持つ。性能の差を埋める場所が、モデルの大きさ以外にもある、という話だからだ。
手元に置くとしたら、何が要るか
ただし、今日これを個人が使えるかというと、距離はある。
要るのは Python 3.12 以降の環境と、OpenAI 互換の推論エンドポイントだ。オープンウェイトのモデルを downstream に使う場合でもエンドポイントは要る、と作者側が明記している。評価によっては Docker も要る。アプリを入れる話ではなく、開発環境を組む話だ。
そして Meta-Agent が記録を読み、修正案を出し、検証ゲートを通す——この往復そのものが推論を消費する。長いタスクほど効くという結果は、長いタスクほど回数を重ねるという意味でもある。手元でいくらかかるのかは、公開された情報からは読み取れない。試すなら、まず短いタスクで往復の回数と費用を自分で数えるところからになる。
それでも、考えておく価値があるのは技術の成否より手前の部分だ。エージェントが記憶を貯め、その記憶が別のモデルにも移るなら、自分が渡すものは一回きりの指示ではなくなる。何を覚えさせ、何を覚えさせないか。うまくいった手順を残すのか、失敗の記録こそ残すのか。持ち出せるということは、消せる場所と消せない場所ができるということでもある。
モデルを選ぶ話は、これまで性能表を見比べる話だった。記憶のほうが効くのなら、選ぶ対象がひとつ増える。あなたは、自分の AI に何を覚えさせておきたいだろうか？
