Chained Recursive Language Models for Multi-Iteration Reasoning
arXiv 论文 2608.05124v1 提出 Chained Recursive Language Models (Chained RLM)，一种推理时架构，同一模型被反复调用为一系列新的推理根，每个根接收原始问题、上下文、紧凑的纯文本摘要、黑板和任务特定工件，而非完整对话历史，以分阶段处理长上下文推理任务。
发展脉络
- 首次出现Chained Recursive Language Models for Multi-Iteration ReasoningarXiv cs.AI
- 当前判断该架构反映了推理时计算的新趋势，即通过多次调用模型而非单次长推理来提升能力，可能影响长上下文推理的效率和可靠性。可验证的下一信号是是否有后续工作或第三方复现验证其效果。Agent Pulse · 分析
Chained Recursive Language Models (Chained RLM) 是一种推理时架构，旨在解决长上下文推理中单次推理轨迹需同时探索上下文、存储中间状态、验证证据和生成最终答案的困难。该架构反复调用同一底层模型，每次作为新的推理根，接收原始问题和上下文，但不继承完整对话历史，而是接收前驱根写入的紧凑纯文本摘要、黑板和任务特定工件。这种设计将上下文切分为部分任务，而非一次大型推理响应，允许中间工件被后续推理检查、纠正和扩展。论文描述了系统模型、交接机制、工件工作区等。
Chained RLM 通过将长上下文推理分解为多个阶段，每个阶段由模型的新推理根处理，避免单次推理中早期错误传播。交接机制使用紧凑摘要和黑板，而非完整历史，可能降低上下文成本并提高可纠正性。可验证的下一信号是论文中是否提供基准测试结果，如长上下文问答或多跳推理任务的准确率提升。
该架构反映了推理时计算的新趋势，即通过多次调用模型而非单次长推理来提升能力，可能影响长上下文推理的效率和可靠性。可验证的下一信号是是否有后续工作或第三方复现验证其效果。
对于构建长上下文推理应用的团队，Chained RLM 可能提供一种降低推理成本、提高可维护性的方案，但需验证其实际效果。可验证的下一信号是是否有企业采用该架构。
未来可能看到 Chained RLM 在长上下文任务中的应用，如文档分析、多跳问答，或与其他推理时技术结合。可验证的下一信号是论文是否发布代码或实验细节。