"Modelli di Linguaggio Ricorsivi" Una direzione potenzialmente importante per i LLM nel 2026 da parte dei ricercatori del MIT Nel loro approccio, un prompt non viene "eseguito" direttamente, ma viene memorizzato come una variabile in un REPL Python esterno, e il modello di linguaggio scrive codice per ispezionare/frazionare/decomporre quella lunga stringa, osserva i risultati dell'esecuzione e poi costruisce sotto-compiti dove invoca ricorsivamente un LLM solo sugli snippet rilevanti. Unendo il risultato quando il processo ricorsivo termina. In questo modo può risolvere compiti di oltre 10 milioni di token con molto meno "contesto in deterioramento" e spesso a un costo inferiore rispetto alla sintesi/RAG, trasformando la scalabilità del contesto lungo in un algoritmo di inferenza piuttosto che in una semplice finestra di contesto più grande.