Исследователи Google Cloud AI Research и ряда университетов разработали метод RRSI (Regularized Recursive Self-Improvement of Agent Harnesses), направленный на решение проблемы переобучения AI-агентов. В процессе рекурсивного самообучения агенты часто запоминают конкретные тестовые задачи, что снижает их результативность на новых данных. RRSI ограничивает этот процесс, используя бюджет на изменения в управляющей структуре (harness) и критический анализ предложений, отсеивающий попытки «захардкодить» решения. В ходе тестирования на восьми бенчмарках с использованием модели Claude Opus 4.8 метод RRSI показал прирост до 4,7 балла на ранее не виданных задачах, потребляя при этом на 30% меньше токенов по сравнению с нерегуляризованными версиями. Исследователи отмечают, что оптимизированные таким образом структуры могут повышать эффективность даже более слабых моделей, таких как Gemini 3.1 Flash Lite, без изменения их весов.