Recursive Language Model (RLM)

当前更适合把 RLM 看成值得关注的研究范式，而不是可直接采购的成熟产品。现有证据主要来自论文作者与转发讨论，能支持“它在长任务、子目标分解、长度泛化上有潜力”，但还不足以证明“任何团队接入后都能稳定替代现有 agent 架构”。它不是普通长上下文模型，也不是现成编排平台；更准确的类比是“给模型加一个可递归调用的 harness/脚手架与策略训练方式”。

实际作用上，证据提到两类能力：一类是把短任务训练迁移到 8-32x 甚至更长的问题；另一类是让模型在外部环境、检索或子任务之间递归决策。X 上作者帖与转述多次强调 subgoal decomposition、length generalization、evidence selection 等结果，这些属于“能力主张”。但目前缺少大规模第三方实测、系统教程和开源工程复现，因此更像研究结论而非现成生产承诺。

门槛和成本方面，现有样本没有可靠官方定价，也没有可核实的 API 费用信息；若要采用，成本更可能来自研究训练、任务环境设计、评测集构造和推理链路改造，这是基于公开讨论的保守推断，不应理解为官方报价。它适合做长任务求解、代码/检索智能体、推理泛化研究的团队；不适合只想买一个“开箱即用长上下文 API”或低工程投入快速上线的人。

社媒共识是“RLM 很热，且可能影响 coding agent 与 inference-time scaling 设计”，热度证明主要来自多条高转发 X 贴文与科普解读；好用证明则主要还是作者线程中给出的 benchmark 结果和少量中文长文二次解释。整体讨论质量偏“作者一手信息+转发较多”，教程和独立复现较少，样本有限，因此判断应积极但保守。