【MIT团队推出递归语言模型！不改架构、不扩窗口，上下文处理能力扩展百倍】

新年伊始，MIT CSAIL 的一纸论文在学术圈引发了不小的讨论。Alex L． Zhang 、 Tim Kraska 与 Omar Khattab 三位研究者在 #arXiv#  上发布了一篇题为《Recursive Language Models》的论文，提出了所谓“递归语言模型”（Recursive Language Models，简称 RLM）的推理策略。

早在 2025 年 10 月，Zhang 和他的导师 Omar Khattab 就在博客上公开了初步想法，引发了一些关注。如今这篇正式论文带来了更系统的实验和更扎实的数据，论证了通过让语言模型把长文本当作“外部环境中的变量”来处理，可以让模型有效处理超出其上下文窗口 2 个数量级的输入。

Zhang 在推文中写道：“正如 2025 年是从语言模型到推理模型的转换之年，我们认为 2026 年将是#递归语言模型# 的时代。”他还特别提到，RLM 是他们对推理时算力扩展（inference-time scaling）的“bitter lesson 式”解法，即与其精心设计复杂的人工规则，不如让系统自己去学、去算。

RLM 的设计哲学与此一脉相承，它不试图从模型架构层面“修复”长文本处理的问题，而是提供一套通用的推理时框架，让模型自己决定如何与超长输入交互。

戳链接查看详情：http://t.cn/AXb4DRwM