Als Gerüst (Harness) bezeichnen die Autoren alles, was ein Sprachmodell zum Agenten macht: Prompts, Ablaufsteuerung, Werkzeuge und Speicher. Die Modellgewichte bleiben unverändert; in den Hauptversuchen arbeitet durchgehend Claude Opus 4.8. Ein Vorschlagsagent baut das Gerüst über viele Runden um, optimiert wird auf Terminal-Bench 2.1, dem Juristen-Benchmark Harvey LAB und EngDesign.
Ohne Bremse zeigt sich das Problem deutlich. Bei den Büroaufgaben stieg ein unreguliert weiterentwickeltes Gerüst auf der Optimierungsmenge von 89,4 auf 92,8 Punkte, auf drei ungesehenen Benchmarks (JobBench, GDPval, APEX-Agents) im Mittel aber nur von 39,7 auf 40,3. Von vier früheren Verfahren hob das stärkste diesen Mittelwert um 0,9 Punkte, zwei landeten unter dem Ausgangsgerüst.
RRSI begrenzt, wie viele Änderungen ein Vorschlag bündeln darf, und senkt dieses Budget mit der Zeit. Ein Kritiker verwirft Vorschläge, die auf einen einzelnen Benchmark zugeschnitten sind; ein weiterer Schritt entfernt Änderungen, die zu klein, zu teuer oder überholt sind. Auf der Optimierungsmenge gewinnt RRSI am wenigsten, auf den ungesehenen Benchmarks erreicht es im Mittel 43,6 Punkte, bei JobBench 40,7 statt 36,0.
Das Gerüst braucht 2,42 statt 3,80 Millionen Token je Versuch, aber weiterhin mehr als das Ausgangsgerüst mit 1,56 Millionen. Die Autoren nennen selbst als Grenzen, dass nur feste Modelle untersucht sind und das Verfahren an einer endlichen Optimierungsmenge und mehreren Stellgrößen hängt. Den größten Gewinn, 14,1 Punkte auf Terminal-Bench 2.1, misst das Paper in einem Zusatzlauf mit Gemini 3.5 Flash, nicht in den Opus-Versuchen. Der Code steht unter Apache-2.0 auf GitHub.
Aktualisiert am 14. Oktober 2026.