【当AI学会管理自己的记忆：递归语言模型如何终结"上下文腐烂"难题】Prime Intellect发布了递归语言模型(RLM)，一种全新的推理策略，让AI不再被动接受冗长的提示词，而是主动将其视为可操作的动态环境。传统大模型有个致命软肋：上下文窗口越长，信息丢失越严重，业内称之为"上下文腐烂"。你给模型塞进去100页文档，它可能只记得开头和结尾，中间的关键信息早已模糊。RLM的解法很巧妙——它把输入数据当作Python变量来处理，模型自己决定检查哪些片段、拆分哪些任务、递归调用哪些子模块，整个过程在一个持久化的Python REPL环境中完成。几个核心突破值得关注：第一是"上下文折叠"。不同于传统RAG那种先总结再检索的套路（总结必然丢信息），RLM让模型主动把特定任务委派给子模型和Python脚本处理，信息完整性得以保留。第二是效率惊人。测试显示，用RLM包装的GPT-5-mini在长上下文任务上击败了标准GPT-5，而主上下文token消耗不到后者的五分之一。这意味着什么？小模型加上好策略，可以干掉大模型的暴力堆参数。第三是长程任务的连贯性。通过强化学习让模型端到端管理自己的上下文，系统能在跨越数周甚至数月的任务中保持思路清晰。这对真正的AI Agent至关重要——你不可能指望一个每隔几分钟就"失忆"的助手帮你完成复杂项目。同步发布的INTELLECT-3是一个1060亿参数的MoE模型（120亿激活参数），在Prime Intellect的完整强化学习栈上训练，性能对标闭源前沿模型，但完全开源开放权重。社区讨论中有个问题很尖锐：这和OpenAI、Anthropic现有的上下文管理方案有什么本质区别？答案在于层级不同。现有方案大多是外部编排，是"绕过"问题；RLM则把上下文管理内化为模型推理循环和训练目标的一部分，是"解决"问题。当任务需要持续运行数天甚至数周时，这个区别就会显现出来。有人评论说这个思路"显而易见到奇怪为什么不是默认做法"。确实，人脑处理短期记忆和规划任务时，本质上就是这么运作的——选择性关注、分块处理、递归调用。但"显而易见"和"能做好"之间往往隔着五年的工程积累，就像推理能力的研究2019年就有了，真正爆发要等到o1。更深一层看，这触及了一个根本问题：如果你想造出超越人类的智能，或许应该从无限递归上下文开始，因为这正是人类认知的运作方式。一个被冻结在时间中的大脑不可能真正学习或理解任何东西。迄今为止发布的每一个大模型，要么被冻结在时间中，要么在上线后不久就因为上下文问题而崩溃。当模型能够程序化地"窥视和检索"自己的提示词时，暴力扩展上下文窗口的路线是否已经过时？这个问题的答案，可能决定着下一代AI架构的走向。reddit.com/r/singularity/comments/1q1vcvf/prime_intellect_unveils_recursive_language_models
