炸金花那张牌最大

炸金花那张牌最大

机器之心报道

编辑：+0、冷猫

目前，所有主流 LLM 都有一个固定的上下文窗口（如 200k, 1M tokens）。一旦输入超过这个限制，模型就无法处理。

即使在窗口内，当上下文变得非常长时，模型的性能也会急剧下降，这种现象被称为「上下文腐烂」（Context Rot）：模型会「忘记」开头的信息，或者整体推理能力下降。

这种现象在现实使用中远比在标准化基准测试中更明显。当用户与 ChatGPT 等主流 LLM 进行长时间、多轮的复杂对话时，会明显感觉到模型开始变「笨」，变得难以聚焦、遗忘关键信息。

来自 MIT 的研究者从一个直观的想法出发：也许可以把超长上下文切分，分别交给模型处理，再在后续调用中合并结果，以此避免衰退问题？

基于此，他们提出了递归语言模型（Recursive Language Models，RLMs），这是一种通用的推理策略：语言模型将输入上下文视作变量，对其进行分解并递归式交互。

将上下文视为一个可操作的「变量」：主模型（root LM）在一个类似 Jupyter Notebook 的编程环境（REPL）中工作，完整的上下文只是一个它能用代码访问的变量，而不是直接的输入。递归调用自身或小模型：主模型可以编写代码来查看、切分、过滤（比如用 grep）这个巨大的上下文变量，然后把小块的任务外包给一个个小的、临时的 LLM 调用（递归调用）。综合结果：主模型收集这些「外包」任务的结果，最终形成答案。

研究者还设计了一个具体实现：在一个 Python REPL 环境中调用 GPT-5 或 GPT-5-mini，并将用户的 prompt 存入变量中进行迭代式处理。

结果很惊人：在能获取到的最难的长上下文评测集之一 OOLONG 上，使用 GPT-5-mini 的 RLM 正确答案数量是直接使用 GPT-5 的两倍以上，而且平均每次调用的成本更低。

研究者还基于 BrowseComp-Plus 构建了一个全新的长上下文 Deep Research 任务。在该任务中，RLM 显著优于 ReAct + 推理时索引 / 检索等方法。令人意外的是，即使推理时输入超过 1000 万 tokens，RLM 的性能也没有出现衰减。

他们相信，RLM 很快会成为一个强大的范式

同时，相比于仅依赖 CoT 或 ReAct 风格的代理模型，显式训练以递归式推理为核心机制的 RLM，很可能成为推理时扩展能力领域的下一个里程碑

博客文章：https://alexzhang13.github.io/blog/2025/rlm/原帖压缩总结见推文：https://x.com/a1zhang/status/1978469116542337259

博客作者为 MIT CSAIL 的 Alex Zhang 和 Omar Khattab。

这是一个递归语言模型 (RLM) 调用的示例。它作为一种从文本到文本（text → text）的映射，但比标准的语言模型调用更灵活，并且可以扩展到近乎无限的上下文长度。RLM 允许语言模型与一个环境（在此实例中为 REPL 环境）进行交互，该环境存储着可能非常庞大的上下文。在其中，模型可以递归地子查询「自身」、调用其他 LM 或其他 RLM，从而高效地解析这些上下文并提供最终的响应。

评论区的反馈也非常积极，并且进行了很多深入的讨论。

递归语言模型 RLM

RLM 的通用性与其底层语言模型本身相同。实际上，从用户角度来看，RLM 的调用方式与普通模型调用并没有区别，但它在内部可以生成（递归式的）LM 子调用来完成中间计算。

当你向一个 RLM 发起查询时，「根」语言模型（root LM）可以把整个上下文当作可操作的环境来探索和处理。它会通过递归调用（R）LM，将对任意结构或任意长度上下文的处理任务分解并逐级委托，从而实现可扩展的推理能力。

递归语言模型（RLM）调用取代了传统的语言模型调用。它为用户提供了一种「仿佛上下文无限大」的体验，但在底层，语言模型会自动对上下文进行管理、分区，并根据需要递归调用自身或其他 LM，从而避免出现 context rot（上下文退化）问题。

研究者将这一机制实现为一个类似 Jupyter 的 REPL 环境：

核心思想是：将用户的 prompt 存入一个 Python 变量中，然后提供一个 REPL 循环给 LLM，让它可以在不一次性读取全部内容的前提下，主动尝试理解和操作 prompt。

「根」语言模型（root LM）通过编写代码并查看每个单元格的输出，与这个环境进行交互；在此过程中，它还可以在 REPL 环境中递归调用其他 LM 或 RLM，以此在上下文中进行导航和解析。

这种方式要比任何「分块（chunking）」策略都更加通用且更智能。研究者认为：应该让语言模型自己决定如何探索、拆解并递归地处理长 prompt，而不是由人为制定固定的切分策略。

RLM 框架实例为根 LM 提供了在 Python 笔记本环境中分析上下文的能力，并能在任何存储在变量中的字符串上启动递归 LM 调用（深度 = 1）。LM 通过输出代码块进行交互，并能在其上下文中接收（截断的）输出版本。完成时，它输出带有 FINAL (…) 标签的最终答案，或者可以选择使用代码执行环境中的字符串 FINAL_VAR (…)。

这种结构在实际使用中带来了多项明显的优势：

根语言模型（root LM）的上下文窗口很少被「塞满」 —— 因为它从不直接读取完整上下文，它接收的输入规模增长得很慢。root LM 拥有灵活的上下文访问策略 —— 它可以只查看部分上下文，或者对上下文块进行递归处理。例如，当任务是寻找「needle-in-the-haystack」信息或需要多跳推理时，root LM 可以先通过正则表达式（regex）等方式粗略筛选上下文范围，再对筛选结果发起递归式 LM 子调用。这对于任意长度的上下文输入尤其有价值，因为对整个长文档现检索（on-the-fly indexing）通常代价很高。理论上，RLM 能处理任何可以加载到内存的模态数据 —— root LM 可以完全掌控数据的查看与转换方式，并在此基础上继续向递归 LM 发起子查询。

RLM 框架的一个显著优势在于：可以在一定程度上解释它的行为轨迹，理解它是如何一步步推理并得出最终答案的。研究团队编写了一个简易可视化工具，用来观察 RLM 的推理路径，展示了 RLM 实际在「动手做什么」。

令人振奋的早期结果

研究者一直在寻找能够真实反映长上下文任务场景的基准测试，例如 长时间多轮的 Claude Code 会话。他们希望通过这些任务重点突出当今前沿模型面临的两类核心限制：

1. 上下文退化现象 —— 模型性能随着上下文长度增加而退化；

2. 系统层面的约束 —— 模型在处理超大型上下文时出现的架构或交互瓶颈。

激动人心的成果 — 处理上下文退化

RLMs 旨在解决上下文退化问题，即当你有一个很长的 Claude Code 或 Cursor 实例时，它无法正确处理你的长历史记录的奇怪现象。

OOLONG 是一个具有挑战性的新型长上下文基准，其中模型在极其密集的上下文中回答查询。研究者选择了一个特别困难的分割点，在 OOLONG 基准测试的 trec_coarse 数据集上报告结果，GPT-5 在 132-263k token 上下文中得分约为 33%。

与此同时，一个使用 GPT-5-mini 的 RLM 在 132k 情况下以超过 114%（即超过两倍）的低查询成本优于 GPT-5，在 263k 情况下以49% 的成本优于 GPT-5！

RLM (GPT-5-mini) 比 GPT-5 高出 34 分以上（约增长 114%），并且几乎每个查询的成本都相同（研究者发现中位数查询更便宜，因为有些异常昂贵的查询）。

RLM (GPT-5-mini) 比 GPT-5 高出 15 分以上（约 49% 的提升），并且平均每个查询的成本更低。

令人兴奋的结果 — 超大上下文

RLM 的设计目标之一，就是在无需额外辅助结构的情况下，处理近乎无限长度的上下文。

BrowseComp-Plus（BC+） 是一个 DeepResearch 任务基准，模型需要通过检索多个离线文档，来回答多跳组合性问题（multi-hop compositional questions）。

在目前的初步实验中，研究者从 BC+ 中抽取了一个小规模的查询子集，然后直接将不同数量的文档（从 10 份扩展到 1000 份，对应约 10 万到 1000 万 tokens）原样塞进上下文中。实验结果显示：基于 GPT-5 的 RLM 在跨越这些规模时性能并未下降，甚至优于采用 ReAct + 检索循环（retriever loops）的方法

研究者在 BrowseComp-Plus 上对 20 个随机查询绘制了各种方法的性能和每个答案的 API 成本，随着上下文文档数量的增加。只有迭代方法（RLM、ReAct）在 100 篇文档以上时仍保持合理性能。

这些实验结果令人振奋：在没有进行任何额外的微调或架构改动的前提下，就能够在真实基准上处理超过 1000 万 tokens 规模的上下文，并且完全不依赖检索器（retriever）！

思考与总结

RLM 不是 agent，也不只是作总结。一个系统中使用多次 LM 调用的想法并不新颖 —— 从广义上讲，这正是多数 Agent 框架所做的事情。在现实中，最接近的例子是 ROMA Agent，它会分解问题并运行多个子代理来解决每一部分。另一个常见的例子是 Cursor 和 Claude Code 这样的代码助手，它们会在上下文越来越长时对历史进行摘要或裁剪。这些方法通常是从任务或问题的角度来理解多轮 LM 调用的分解。而研究者们坚持认为，LM 调用可以从上下文的角度进行分解，而分解方式应完全由语言模型自己来决定。

固定格式对 scaling laws 的价值。从 CoT、ReAct、指令微调、推理模型等理念中，得到的经验是：以可预测或固定的格式向模型呈现数据，对于提升性能至关重要。基本思路是，如果能将训练数据的结构约束到模型预期的格式，就可以用合理的数据量显著提升模型性能。将这些理念应用到改进 RLM 之上，或许可以作为另一条扩展轴。

随着 LM 的进步，RLM 也会进步。最后，RLM 调用的性能、速度和成本与底层模型能力的提升直接相关。如果明天最强的前沿语言模型可以合理处理 1000 万 token 的上下文，那么一个 RLM 就可以合理处理 1 亿 token 的上下文（可能成本还只有一半）。

研究者认为，RLM 与现代 Agent 是两种根本不同的押注方向。Agent 是基于人类 / 专家的直觉来设计如何将问题拆分为语言模型可以消化的形式。而 RLM 的设计原则是，应该由语言模型自己决定如何拆分问题，使之可被语言模型消化。

研究者坦言：「我个人并不知道最终什么会奏效，但我很期待看到这个思路会走向何处！」