每个人都忽视了这里真正的故事。 这不是一种“提示技术”。这篇论文的标题是《递归语言模型》，而不是“递归元认知”。而且作者们并不是随机的研究人员在为引用次数而努力。 奥马尔·哈塔布创建了DSPy，该项目在GitHub上获得了31,000多个星标，并改变了人们构建复合AI系统的方式。蒂姆·克拉斯卡与谷歌的杰夫·迪恩一起开创了学习索引结构，并在麻省理工学院的数据系统与AI实验室任职。亚历克斯·张是一名在这两个领域交叉工作的博士生。 这篇论文实际上解决了一个特定问题：LLM在长上下文中性能下降。图表显示，随着输入长度从2^14扩展到2^21个标记，GPT-5的性能崩溃，而RLM保持稳定的性能。它们处理的输入超出了上下文窗口100倍。 哈塔布自己在推特上的关键见解：“大多数人误解RLM是关于LLM自我调用的。更深层的见解是LLM与自己的提示作为对象进行交互。” 这扩展了哈塔布整个研究的弧线。DSPy将提示转变为程序模块。ColBERT使检索更智能。RLM将上下文本身转变为模型可以像内存中的数据一样操控的东西。 Prime Intellect，领先的去中心化AI实验室之一，已经在此基础上进行构建。他们写道，RLM将使他们“通过强化学习教会模型管理自己的上下文，从头到尾”用于运行数周或数月的代理。 真正的交易是什么？这解决了每个AI实验室面临的一个限制：上下文窗口是一个硬性上限。通过架构和训练扩展它们是昂贵的。RLM提供了一种在推理时的方法，可以与现有模型一起使用。 但要注意其中的陷阱：这需要能够可靠地编写和执行代码的模型。基准测试使用的是Python REPL中的GPT-5。代码生成能力较弱的模型将难以干净地实现递归分解。这种技术的扩展依赖于代码能力，而不仅仅是推理能力。