Pesquisadores do MIT propõem Modelos de Linguagem Recursiva Você vai ouvir mais sobre isso em 2026. Por que isso importa? E se os LLMs pudessem processar entradas 100 vezes mais longo que a janela de contexto deles? O comprimento do contexto é uma restrição difícil. Você pode ampliar com mudanças arquitetônicas, mas sempre há um limite. A maioria das abordagens tenta encaixar mais na janela ou comprimir o que não cabe. Essa nova pesquisa adota uma abordagem diferente. Em vez de lutar contra o limite de contexto, trabalhe em torno disso programaticamente. Modelos de Linguagem Recursiva (RLMs) tratam prompts longos como um ambiente externo. O modelo pode examinar o prompt, decompô-lo em seções e se chamar recursivamente em trechos. É uma escala de tempo de inferência aplicada ao comprimento do contexto. Em vez de passar tudo pela atenção em uma única passagem, deixe o modelo particionar e processar estrategicamente as informações em múltiplas chamadas recursivas. Os resultados são impressionantes. RLMs lidam com sucesso com entradas de até duas ordens de magnitude além das janelas de contexto do modelo. Um modelo com contexto 8K pode processar tokens 800K de forma eficaz. Mas aqui está o que surpreende: mesmo para prompts mais curtos que se encaixam no contexto, os RLMs superam dramaticamente os LLMs base e andaimes comuns de contexto longo em quatro tarefas diversas. Isso sugere algo interessante. Talvez atenção sequencial em todo o input nem sempre seja a melhor estratégia, mesmo quando tecnicamente é possível. Decomposição programática e processamento recursivo podem ser fundamentalmente melhores para certas tarefas. A abordagem alcança custo por consulta comparável ou mais barato em relação a métodos alternativos de longo contexto. Limitações de duração do contexto restringem o que os agentes podem fazer. Processar bases de código inteiras, documentos longos ou históricos de conversas extensos requer soluções alternativas. As RLMs oferecem uma estratégia geral de inferência que transforma os limites do contexto em uma restrição suave, em vez de rígida.