比如，GPT-5.2-Codex采用的就是窗口内的原生上下文压缩技术，在持续数周的大型代码仓库协助任务中保持全上下文信息。 在复杂长文本任务中，RLM的优势也比较显著。面对要求聚合成对信息、复杂度呈二次方增长的OOLONG-Pairs任务，基础GPT ...

在 600 万至 1100 万 Token 规模的 BrowseComp-Plus（1K）多文档推理任务中，RLM（GPT-5）的正确率高达 91.33%，大幅超越其他长文本处理方案； ...

在人工智能领域，长文本处理一直是一个棘手的问题。近期，麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）提出了一种革命性的解决方案——递归语言模型（RLM），该方法能够使大模型在不改变其架构的情况下，处理超长文本，达到千万级token的处理能力。这一研究成果为GPT-5、Qwen-3等顶尖AI模型的推理能力注入了新的活力，开启了长文本处理的新篇章。

在AI领域，处理超长文本的挑战一直是一个备受关注的问题。麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）近期提出了一种名为递归语言模型（RLM）的新方法，能够在不改变现有大模型架构的情况下，显著提升其处理超长文本的能力。这一突破性研究为像GPT-5和Qwen-3这样的顶尖AI模型打开了新的大门，使其能够处理超过千万级的上下文，远超其原生上下文窗口的限制。