"遞歸語言模型" 來自麻省理工學院研究人員的2026年LLM潛在重大方向 在他們的方法中，提示並不是直接“運行”，而是作為變量存儲在外部Python REPL中，語言模型編寫代碼來檢查/切片/分解那個長字符串，觀察執行輸出，然後構建子任務，在僅針對相關片段時遞歸調用LLM。當遞歸過程結束時將結果拼接在一起。 這樣它可以以更少的“上下文衰退”解決超過1000萬個標記的任務，並且通常比總結/RAG成本更低，將長上下文擴展轉變為推理時的算法，而不僅僅是更大的上下文窗口。