AI的新突破：递归语言模型让AI“返工”以优化表现

你是否注意到，当你让AI阅读一篇长文章时，它往往读着读着就忘了前面的内容？ 当你让它处理一份超长的文档时，它给出的答案可能完全偏离了主题？ 这种现象，在学术界被称为上下文腐化。这也是目前AI的一个普遍问题：大模型的记忆力太差了，文章越长，模型的表现就越差！

2025年最后一天，麻省理工学院（MIT）发表了一篇重磅论文，旨在解决这一问题。

这篇论文名为《Recursive Language Models》，即递归语言模型。

听起来很学术，但简单来说就是：让AI再做一遍，效果会显著提升。

论文地址：https://arxiv.org/pdf/2512.24601

先透露两个核心数据：

在复杂推理任务上，仅仅让模型多过2-4遍，正确率就能提升10%-25%

在超长文档处理上，RLM（递归语言模型）在1000万+token的规模下，依然保持稳定表现，而传统模型直接崩溃！

这什么概念？

以前我们认为，AI不够聪明，那就给它堆参数、加显卡、买更多GPU。

MIT这篇论文直接打破常规：别堆参数了，让它返工重写一遍，效果可能更好。

原来解决问题的方法就这么简单！

并且X上很多大佬纷纷点赞～

从一个让人崩溃的问题说起

你有没有这种经历：

让ChatGPT帮你写一篇文章，它写了三千字，你却发现它完全离题万里。

或者让它帮你写代码，它写完了，但一运行全是bug。

但神奇的是，你让它再检查一遍、重新想想，有时候它就突然能改对了。

MIT的研究人员发现，这不是玄学，这是有规律的。

大多数AI犯的错，不是因为它不懂，而是因为它初稿写得太快了。

就像你写论文，第一稿总是稀烂，但改个三四遍，就像换了个人写的。

AI也是一样。

问题是：现在的大模型基本都是一遍过的模式，你输入问题，它输出答案，然后结束。

它自己不会主动返工、不会自我检查、不会反复推敲。

AI的真正瓶颈：不是脑子不够大，是记性太差

在聊MIT的解决方案之前，我得先跟你说清楚，为什么这件事这么重要。

你可能听说过一个词，叫上下文窗口。

啥意思呢？

你可以把AI大模型想象成一个天才，但这个天才有个致命缺陷——他的工作台太小了。

你给他一份超长的资料，让他帮你分析，但他只能把资料的一小部分放到工作台上看。

超过工作台大小的部分？看不到，直接忽略。

MIT的天才想法：把资料放到抽屉里

好了，问题讲清楚了，现在来看MIT的解决方案。

传统做法是：你把资料直接塞进AI的脑子里。

MIT的做法是：别塞进去了，放抽屉里吧。

效果到底有多猛？

实验一：超长文档理解

实验二：超超超长文档（1000万+token）

实验三：成本对比

未来展望

彩蛋