پژوهشگران در مقاله‌ای نوین از طراحی عامل‌های استدلال ترکیبی برای ارتقای توان مدل‌های زبانی هوش مصنوعی در محیط‌های تعاملی خبر داده‌اند. این معماری نوین به کمک ابزاری سبک به نام هایبریدلینک و حافظه کاری مداوم، ارتباط پیوسته‌ای میان تفکر در فضای پنهان و اقدام متنی بدون از دست رفتن داده‌ها برقرار می‌سازد. در این پروژه دو الگوریتم پس‌آموزش توسعه یافته‌اند که یکی هماهنگی ابزارها را تثبیت می‌کند و دیگری زمان بهینه برای تفکر پنهان یا ارتباط متنی را تعیین می‌نماید. ارزیابی مدل در سه مقیاس گوناگون و روی ۱۱ بنچمارک علمی، ریاضی، پزشکی و جست‌وجو نشان‌دهنده ارتقای ۱۰٫۴ درصدی عملکرد نسبت به نمونه‌های موجود است. این سازوکار همچنین توانسته است میزان مصرف توکن را بین ۳۵٫۵ تا ۵۴٫۷ درصد کاهش دهد و سرعت استنتاج را تا ۲٫۶ برابر افزایش دهد. علاوه بر کاهش هزینه‌ها تا سقف ۳٫۷ برابر، داده‌ها و کدهای مربوط به این نوآوری به‌صورت آزاد برای جامعه علمی به اشتراک گذاشته شده است.
