据DeepLearning.AI在X平台报道，麻省理工的Alex L. Zhang、Tim Kraska与Omar Khattab提出递归语言模型（RLM），通过将长提示外部化并以程序化方式管理，显著降低细节丢失与幻觉，在图书、网页搜索与代码库等长上下文任务中更稳定。根据The Batch的报道，RLM在模型外执行检索、切分与递归推理流程，而非单纯扩大上下文窗口，从而提升长文本理解的可靠性与可审计性。The Batch指出，这为企业搜索、代码智能与合规文档处理带来商机，帮助在百页级语料中实现更高准确率与成本可控的生产部署。