MIT研究团队提出递归语言模型RLM，解决大模型在处理超长文本时的上下文腐烂问题。RLM通过交互式Python环境动态拆解任务，实现千万级token处理能力，显著提升推理性能，无需修改模型架构。

TOKENSWIFT框架通过优化模型加载、KV缓存管理和Token生成策略，实现超长文本生成效率提升，生成10万Token仅需90分钟，传统方法需5小时，确保生成质量与多样性，支持DeepSeek-R1和QwQ，具有3倍加速效果。

清华、厦大等提出的LLMxMapReduce技术突破了大模型的记忆限制，实现了“无限长”上下文。该技术通过将长文本切分为片段并并行处理，提取关键信息并汇总答案。实验表明，结合此框架的模型在处理超长文本时表现优异且速度较快，具有广泛的应用潜力。