大模型无限上下文实现了？

大家都知道大模型是有上下文限制的，而上下文越长，到最后效果就越差。但——"如果我把上下文分成两个模型调用，然后在第三个调用中合并它们，是不是就能避免这种退化问题？"

来看今天的论文精读——Recursive Language Models 递归语言模型 - 让模型决定如何处理海量上下文

这个框架就如同上面说的，方法非常简单，让语言模型递归地调用自己来处理几乎无限长度的上下文。 在测试中，GPT-5-mini 的变种模型表现超越了GPT-5本身， 在最困难的长上下文基准测试中，正确率比 GPT-5 高2x， 同时成本更低，且即使处理10M+ tokens 也不会性能退化。

那么，代价是什么？代价就是，这玩意每个递归是阻塞的，所以肯定比单独运行一个大模型慢很多，并且递归后时间和token消耗都不太可控。

这篇论文的核心是——目前的Agent是让人类决定如何分解问题，而 RLM则是让大语言模型决定如何分解问题

往期论文精读地址：github.com/karminski/teach-fish-to-swim

#ai创造营# #ai生活指南#