Recursa: verso sistemi di modelli fondazionali che si auto-migliorano ricorsivamente

Abstract degli autori

I modelli fondazionali, quando operano in ambienti mutevoli, possono imbattersi in conoscenze di dominio non familiari, che non erano state incluse nel loro addestramento originale. Tuttavia, nei nuovi domini è raro trovare grandi quantità di dati di addestramento creati da esperti o segnali di supervisione affidabili per proseguire l’addestramento. Presentiamo Recursa, un sistema basato su un modello fondazionale che si adatta ai nuovi domini imparando dalla propria esperienza, senza esperti umani né un modello insegnante più potente. Recursa usa un repository di conoscenze per archiviare ciò che apprende: competenze specifiche del dominio e istruzioni su quando applicarle, oltre a memorie delle esperienze passate nello svolgimento dei compiti e riflessioni su cosa migliorare. Recursa avvia il repository a partire da materiali del dominio e poi lo perfeziona tramite l’auto-miglioramento ricorsivo. Impiega apprendenti paralleli per eseguire i compiti e sintetizzare miglioramenti locali, quindi convalida tali miglioramenti e li integra nel repository di conoscenze. Sul benchmark Firm Knowledge di Harvey LAB, Recursa porta il tasso di superamento integrale nei compiti di test riservati dal 30,0% al 55,0% con DeepSeek-V4.1-Flash e dal 35,0% al 46,0% con Qwen3.8-Flash.