RLM（递归语言模型）通过在代码沙箱中执行推理，克服了传统AI在处理长上下文时的局限性。它能够直接编写程序，解决记忆不足的问题，提升复杂任务的处理能力。RLM将大问题拆解为小问题，缓存中间结果，提高效率和稳定性。该技术在合同解析、发票处理和知识库检索等领域表现优异，标志着AI工程的重大变革。

递归语言模型（RLM）旨在解决长输入推理中的上下文衰退问题。与传统模型不同，RLM通过外部运行时和递归子调用处理信息，保持内部上下文小而专注，从而提高处理效率，尤其在信息密集的复杂任务中表现出明显优势。

文章讨论了语言模型的未来发展，认为现有的神经语言模型被低估，具有更大潜力。随着技术进步，语言模型与支架的界限逐渐模糊，创新想法有望推动领域发展。作者对递归语言模型（RLMs）寄予厚望，期待其实现更强的推理能力，并期待其他新思路的出现。

麻省理工学院的研究人员提出了一种递归语言模型（RLM），旨在提升大语言模型（LLM）在长上下文任务中的表现。RLM通过编程环境递归处理输入，能够处理比基础LLM长100倍的提示。其核心在于利用编程语言（如Python）生成代码，以分块或搜索正则表达式等方式预处理提示。研究表明，RLM在长上下文基准测试中优于其他策略，有效解决了上下文窗口限制的问题。

递归语言模型（RLM）是一种推理策略，允许语言模型在REPL环境中递归处理无限长度的输入上下文。研究表明，使用RLM的GPT-5-mini在长上下文基准测试中表现优于GPT-5，且查询成本更低。RLM通过将上下文视为变量，有效应对“上下文衰退”现象，提升了模型处理大规模文本的能力。