套娃模型崛起：递归推理重塑AI长文本处理

推理模型即将退役？

顶尖GPT-5模型竟被一篇博士论文突袭，上下文窗口被甩出两个数量级。

新方案在处理长文本时，“上下文腐烂”现象也大幅减少，而且成本更低。

这是MIT最新论文提出的“套娃模型”新范式，预测将成为今年的主流。

“套娃模型”正式名称为递归模型，核心流程是将文本存入代码环境，让模型编写程序拆解并递归调用自身处理。

有网友评价说，递归模型不仅节省Token，更是在改变交互方式。

从各项指标来看，推理模型，似乎真的不香了。

代码驱动的递归推理

递归语言模型（RLM）不再将长文本直接输入神经网络，而是采用一种“环境化”的处理范式。

核心逻辑在于将自然语言处理任务重构为交互式编程任务，引入Python REPL（读取-求值-输出循环）环境，将超长文本作为静态字符串变量存储在内存中。

在具体执行流程中，RLM建立了一套基于代码的认知循环。

系统接收长文本任务后，启动Python环境并将文本载入变量P，随后模型进入迭代循环，观察环境状态，编写代码探测文本。

这些代码在REPL环境中执行后，运行结果反馈模型。

“编写代码-观察执行结果”的循环，使模型以极低计算成本在庞大文本数据中索引和定位，仅在必要时读取关键段落，实现高效上下文管理。

突破千万级Token的性能极限

实验数据显示，RLM有效处理规模已达1000万Token级别，超出GPT-5等前沿模型原生上下文窗口两个数量级。

由于RLM将Prompt视为外部环境，选择性读取相关片段，而非全量摄入，因此改变了“上下文越长成本越高”的线性规律。

作者简介

本文第一作者为MIT CASIL实验室博士生Alex Zhang。