【硬核干货】MIT递归语言模型(RLM)炸场！GPT-5性能暴涨1000倍，长文本处理从此告别“上下文腐烂“！

介绍一篇这两天超级热门的论文：递归语言模型。

最近，大模型圈最热的话题莫过于“长上下文窗口”了。各家厂商卷完参数卷上下文，动辄百万、千万Token的窗口似乎已经成了标配。但窗口大了，模型真的就能“看”得更远、记得更牢吗？一份来自麻省理工学院（MIT）的新研究可能会给我们泼一盆冷水，并指明一条全新的、更高效的“无限上下文”之路。

来自MIT CSAIL的研究者们发现，即使是像GPT-5这样的前沿模型，在处理超长文本时，性能也会不可避免地“腐烂”（context rot）。为了解决这个问题，他们提出了一种名为**递归语言模型（Recursive Language Models, RLM）**的全新推理范式。简单来说，就是让大模型不再把长篇大论的输入硬塞进自己的“大脑”（神经网络），而是学会像程序员一样，在外部代码环境中通过写代码、调用工具的方式，去主动探索、分解和处理这些信息。

最令人兴奋的是，实验表明，RLM不仅能处理比模型自身上下文窗口大两个数量级的输入，而且在多个复杂长文本任务上，其性能甚至数倍于基础大模型，成本却相当甚至更低。

• 论文标题: Recursive Language Models
• 论文地址: https://arxiv.org/abs/2512.24601
• 作者机构: 麻省理工学院(MIT CSAIL)
• 代码仓库: https://github.com/alexzhang13/rlm

背景：长上下文的“虚假繁荣”

你是否遇到过这样的情况：给大模型喂了一整篇长达几百页的文档，然后问它一个藏在中间的细节问题，结果它却“视而不见”？这就是所谓的“大海捞针”（Needle-in-a-Haystack）测试。虽然很多模型宣称通过了这个测试，但研究者指出，这只是长上下文能力的冰山一角。

当任务变得更复杂，需要模型理解和整合分散在文本中各处的信息时，性能下降的问题就暴露无遗了。这背后是“上下文腐烂”的幽灵在作祟——输入越长，模型就越容易忘记开头或结尾的信息，注意力也会变得分散。

传统的方法，如RAG（检索增强生成）或者对文本进行滚动摘要，都存在局限性。RAG依赖检索质量，而摘要则是一种有损压缩，很可能在压缩过程中丢掉关键细节。RLM要做的，就是彻底改变这种被动的处理方式。

方法详解：当LLM学会了当“程序员”

RLM的核心思想非常巧妙：把长文本从模型的“内存”中解放出来，变成外部“硬盘”上的一个文件，然后教会模型如何像程序员一样去读写这个文件。

这个过程在一个Python REPL（Read-Eval-Print Loop，即交互式编程环境）中进行。

上图清晰地展示了RLM的工作流程：

1. 输入与环境初始化：当用户输入一个超长文本（Prompt）时，RLM不会直接处理它。而是在一个REPL环境中，将这个长文本加载成一个字符串变量，比如叫 context。
2. LLM生成代码：此时，**根模型（Root LM）**登场。它就像一个总指挥，它能看到 context 变量的一些元信息（比如长度），然后开始生成Python代码来探索这个变量。
3. 递归调用与分解：这是最关键的一步。根模型生成的代码中，可以调用一个特殊的函数 llm_query()。这个函数允许根模型将一个子问题和一个文本片段（比如 context 的前10000个字符）打包，发送给一个**子模型（sub-LM）**去处理。子模型完成任务后，将结果返回。这就是“递归”的含义——模型调用模型。
4. 迭代与聚合：根模型拿到子模型的返回结果后，可以将其存入一个新变量，然后决定下一步行动。它可以继续探索 context 的其他部分，也可以对多个子模型返回的结果进行总结和推理。
5. 输出最终答案：当根模型认为所有信息都已集齐，足以回答用户的初始问题时，它便会输出最终答案。

整个过程，根模型就像一个聪明的程序员，它不断地查看数据（print(context[...])），利用工具（llm_query()），管理中间状态（各种变量），最终解决一个复杂的大问题。

上图为我们揭示了RLM在实际操作中的几种常用“招式”：

• (a) 代码过滤：根模型常常会生成正则表达式（regex）代码，从海量文本中快速筛选出含有“festival”或“La Union”等关键词的段落，极大地缩小了处理范围。
• (b) 递归分解：面对一个超长文件，RLM会像处理流水线任务一样，按行或按段落切分，然后把每个小片段交给子模型去处理。
• © 结果拼接：在需要生成很长答案的任务中，RLM会让不同的子模型分头生成答案的不同部分，最后再由根模型将它们“缝合”在一起，从而突破了单个模型输出长度的限制。

实验与结果：性能与成本的双重胜利

RLM的效果究竟如何？一句话：非常惊艳。

从上图可以看到，在三个复杂度递增的任务上，随着输入文本长度从几千Token增长到几十万Token，标准GPT-5的性能出现了断崖式下跌。而RLM（蓝色虚线）则稳如泰山，即使在输入远超模型上下文窗口的情况下，依然保持着极高的准确率。

上表提供了更详细的量化数据。在最具挑战性的几个任务上：

• 在OOLONG-Pairs任务中，它要求模型理解并匹配文本中的成对关系，复杂度极高。RLM(GPT-5)的得分高达 58.00，而基础GPT-5仅有 0.04分，性能提升超过1000倍！
• 在BrowseComp+ (1K) 任务中，输入文本量在600万到1100万Token之间。基础模型直接“爆缸”，而RLM(GPT-5)取得了 91.33 的高分，远超其他方法。更关键的是，它的平均API成本仅为 $0.99，甚至低于某些表现更差的方案。

这些数据有力地证明了，RLM不仅在“效果”上取得了突破，更在“效率”和“成本”上展现出巨大潜力。它用一种更聪明的方式解决了问题，而不是依赖无限堆砌硬件资源。

写在最后

RLM的提出，为我们思考大模型的能力边界提供了一个全新的视角。它不再将模型视为一个封闭的、被动接收信息的“黑箱”，而是将其转变为一个能够主动与外部世界交互、利用代码工具来增强自身能力的“智能体”。

与其折腾注意力，不如教会大模型像程序员一样，用代码递归拆解和处理海量数据。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？