RLM 发布一周年:递归语言模型让 GPT-5-mini 长上下文成绩翻倍且更省钱
a1zhang · x · 2026-10-16
作者 a1zhang 纪念其博士首篇博客(Recursive Language Models,RLM)发布一周年。RLM 是一种新的推理策略:让 LLM 把看似无限长的输入 prompt 分解,并在 REPL 环境中递归地与之交互,从而突破固定上下文窗口限制。
关键结果:
- 在 OOLONG 基准上,基于 GPT-5-mini 的 RLM 在 132k token 序列上比完整 GPT-5 高出超过 110%(翻倍以上),且平均查询成本更低。
- 在 BrowseComp-Plus 基准上,基于 GPT-5 的 RLM 可把 1000 万+ token 当作"prompt"处理,回答高度组合性查询无性能下降,甚至优于显式的索引/检索方案。
核心结论:前沿 LLM 上下文窗口的扩展可能远比听起来的容易,通过推理时的递归分解即可获得超长上下文能力。
「模型」频道最新
- DeepSeek V4.1 Flash 免费上线 OpenCode，被称「白送的准前沿模型」 — SumitGup · 2026-10-16
- 传智谱 GLM 5.5 即将发布，编码能力有望追平前沿模型 — bindureddy · 2026-10-16
- 五轮对抗后输出趋同：Claude Opus 5.5 与 Argon 创作实验结果诡异一致 — LanceCharger · 2026-10-16
- 自建「主观判断」基准：18 个模型一致性测试，GLM-5.3 登顶 — arkuto · 2026-10-16
- Bindu Reddy 实测:Argon 擅长复杂文档写作,成本仅 Opus 一半 — bindureddy · 2026-10-16
- MAI-2 比 V4-Pro 大 2 倍，微软 scaling 阶梯效率存疑 — teortaxesTex · 2026-10-16