AI Ordbog
RLM (Recursive Language Model)
En måde at køre en sprogmodel på, hvor den lange tekst ligger i et kodemiljø. Modellen læser selv teksten i bidder og kalder sig selv på hver bid.
Skrevet og redigeret af Kristian Primdal · Sidst opdateret 16. november 2026Indhold
Hvad er en RLM?
En RLM (Recursive Language Model) er en måde at køre en sprogmodel på. Den gør det muligt for modellen at arbejde med tekst, der er langt større end dens kontekstvindue.
Normalt sender man hele teksten ind til modellen. Er teksten for lang, går det ikke. Og selv når den kan være der, bliver svarene ofte dårligere. Det kaldes context rot.
En RLM gør det omvendt. Teksten bliver uden for modellen. Modellen får kun spørgsmålet og at vide, hvor teksten ligger. Så skriver den kode for at læse den.
Det er let at tro, at modellen læser teksten og så smider det ud, den ikke skal bruge. Sådan er det ikke. Teksten kommer aldrig ind i hovedmodellens kontekst. Der er derfor intet at fjerne. Modellen ser kun det, dens egen kode skriver ud.
Ordet rekursiv betyder, at noget kalder sig selv. Her kan modellen kalde en ny sprogmodel på en del af teksten, midt i sit eget arbejde.
Idéen kommer fra Alex L. Zhang, Tim Kraska og Omar Khattab fra MIT CSAIL. Zhang og Khattab beskrev den i et blogindlæg 15. oktober 2025. Artiklen kom på arXiv 31. december 2025.
Hvordan virker det?
Trin for trin:
- Teksten lægges i et kodemiljø. Det er en REPL, et Python-miljø som en Jupyter-notesbog. Hele teksten ligger der som en variabel.
- Hovedmodellen får spørgsmålet. Den ved, at teksten findes i variablen. Men den ser den ikke.
- Modellen skriver kode. Den kan kigge på starten af teksten, søge efter ord eller dele den op i bidder.
- Modellen kalder sig selv. Inde i koden kan den sende en bid til et nyt kald af en sprogmodel. Det kald svarer på et mindre spørgsmål om netop den bid.
- Svarene samles. Delsvarene bliver i miljøet som variabler. Hovedmodellen ser kun det, den beder om.
- Modellen svarer. Når den er færdig, returnerer den sit svar med
FINAL(...).
Udefra ser det ud som et almindeligt modelkald. Tekst ind, svar ud. Forfatterne kalder det en tynd ramme om en sprogmodel.
Dybde betyder, hvor mange lag kald der er. Ved dybde 1 kalder hovedmodellen almindelige modeller. Ved dybde 2 kan de igen kalde nye modeller. De fleste forsøg i artiklen bruger dybde 1.
Hvad viser forskningen?
Tallene her er forfatternes egne. De kommer fra artiklens version 3 fra maj 2026.
Forfatterne testede med input op til over 10 millioner tokens. Det er omkring hundrede gange mere end modellernes eget kontekstvindue.
Nogle af resultaterne med GPT-5 som model:
| Test | GPT-5 alene | GPT-5 som RLM |
|---|---|---|
| BrowseComp-Plus, 1.000 dokumenter | 0,0 | 91,3 |
| OOLONG | 44,0 | 56,0 |
| OOLONG-Pairs | 0,1 | 58,0 |
BrowseComp-Plus er spørgsmål, der skal besvares ud fra 1.000 dokumenter. Det svarer til 6 til 11 millioner tokens. GPT-5 alene fik 0, fordi teksten ikke kunne være i dens vindue. OOLONG og OOLONG-Pairs kræver, at modellen bruger næsten hver linje i en lang tekst.
Prisen var i samme størrelse som et almindeligt kald. På BrowseComp-Plus kostede et svar i gennemsnit 0,99 dollar. Men spredningen var stor: plus/minus 1,22 dollar. Nogle forløb kører fast og bliver dyre.
Forfatterne har også trænet en lille model til at arbejde som RLM. Den hedder RLM-Qwen3-8B. Den klarer sig i gennemsnit 28,3 % bedre end den model, den er bygget på.
Koden ligger åbent på GitHub som biblioteket rlm.
RLM, RAG og subagenter
En RLM minder om ting, du måske kender. Forskellen ligger i, hvem der styrer læsningen.
RAG. Et søgesystem finder de afsnit, der ligner spørgsmålet. Modellen ser kun dem. Det virker godt, når svaret står ét sted. Det virker dårligere, når svaret kræver, at man læser det hele.
Compaction. Samtalen bliver kogt ned til et resumé. Det sparer plads, men detaljer kan gå tabt.
Subagenter. En agent sender en opgave til en hjælpeagent og får et svar tilbage. En RLM gør noget lignende. Men opdelingen sker i kode, og modellen kan sende hundredvis af bidder af sted i en løkke.
I en RLM bestemmer modellen selv, hvordan teksten skal læses. Den kan søge, når det er nok. Og den kan gå hele teksten igennem, når det er nødvendigt.
Kan Claude Code ikke det samme?
Langt hen ad vejen. Claude Code kan søge i filer, læse dele af dem, køre scripts og sende opgaver til subagenter. Beder du den skrive et script, der kalder en model for hver bunke af 50 mails, har du bygget en RLM i hånden.
Forskellen ligger i to ting.
Hvor teksten ligger. Alt, hvad Claude Code selv læser, bliver i dens kontekst. Over en lang session fylder det op. I en RLM ligger teksten altid uden for modellen. Hovedmodellen ser kun det, dens kode skriver ud.
Hvordan der kaldes. I Claude Code er en subagent et værktøj, som agenten vælger at bruge. Hvert kald er et skridt i samtalen. I en RLM er et modelkald en funktion i koden. Modellen kan lægge den i en løkke og kalde 5.000 gange med én linje kode.
Gevinsten er, at arbejdet bliver systematisk. Hver bid bliver læst én gang af en model med tom kontekst. Intet hober sig op hos hovedmodellen, så den undgår context rot.
Et eksempel
Eksemplet er konstrueret. En grossist med 120 ansatte har 3.000 kundemails fra det seneste år. Ledelsen vil vide, hvilke klager der går igen, og hvilke kunder der har klaget mere end tre gange.
Mailene fylder omkring 4 millioner tokens. Det kan ingen model tage ind på én gang.
RAG hjælper ikke meget her. Spørgsmålet handler om alle mails, ikke om de ti, der ligner spørgsmålet mest.
En RLM kan klare det sådan:
- Modellen kigger på de første mails for at se formatet.
- Den skriver kode, der deler mailene i bunker af 50.
- Hver bunke sendes til et modelkald, der finder klagerne og kunden bag.
- Koden tæller klager pr. kunde og samler emnerne.
- Hovedmodellen læser optællingen og skriver svaret.
Hovedmodellen har aldrig set de 4 millioner tokens. Den har set sin egen kode og resultaterne.
Det skal du passe på
Det er forskning. En RLM er ikke noget, du slår til i ChatGPT eller Claude. Du skal selv sætte den op med biblioteket eller bygge den.
Det er langsomt. Kaldene kører efter hinanden, ét ad gangen. Forfatterne vil gerne lade dem køre samtidig. Det har de ikke gjort endnu.
Prisen svinger. Den typiske opgave er billig. Men nogle forløb kører i ring og laver mange kald. Sæt et loft over antal kald og pris.
Modellen skal kunne kode. En model, der koder dårligt, er også en dårlig RLM. Det skriver forfatterne selv. Med svage modeller så de mange fejl i koden.
Modellen kører kode. Lad koden køre i en sandbox. Den må ikke køre på en maskine, der har adgang til jeres systemer.
Mere dybde er ikke altid bedre. I artiklen hjalp flere lag GPT-5 på én test. For en svagere model gjorde det resultatet dårligere, fordi fejl blev ført videre ned gennem kaldene.
Kilder
Kontrolleret 16. november 2026.
Kildeliste
- Alex L. Zhang, Tim Kraska og Omar Khattab: Recursive Language Models, arXiv 2512.24601, version 1 fra 31. december 2025, version 3 fra 11. maj 2026.
- Alex Zhang og Omar Khattab: Recursive Language Models, blogindlæg, 15. oktober 2025.
- alexzhang13/rlm på GitHub.
FAQ
Hvad står RLM for?
RLM står for Recursive Language Model. Det er en måde at køre en almindelig sprogmodel på, så den kan arbejde med tekst, der er langt større end dens kontekstvindue. Begrebet kommer fra forskere ved MIT CSAIL.
Hvordan virker en RLM?
Den lange tekst lægges som en variabel i et Python-miljø. Modellen ser kun spørgsmålet. Den skriver kode, der kigger i teksten, deler den op og sender bidderne til nye kald af en sprogmodel. Til sidst samler den svarene til ét svar.
Er en RLM en ny model?
Nej. Det er en ramme om en eksisterende model. Udefra ser det ud som et almindeligt kald: tekst ind, svar ud. Forskerne har dog også trænet en lille model, RLM-Qwen3-8B, til at arbejde på denne måde.
Hvad er forskellen på en RLM og RAG?
Med RAG finder et søgesystem de relevante afsnit, før modellen ser dem. I en RLM bestemmer modellen selv, hvordan den læser teksten. Den kan søge, dele op og gå igennem det hele bid for bid med kode.
Fjerner en RLM det, der ikke skal være i konteksten?
Nej. Teksten kommer slet ikke ind i hovedmodellens kontekst. Den ligger i en variabel. Hovedmodellen ser kun det, dens kode skriver ud, fx de første par afsnit eller en optælling. Hver bid læses af et nyt modelkald med tom kontekst, som bliver smidt væk bagefter.
Kan Claude Code ikke det samme?
Næsten. Claude Code kan søge i filer, køre scripts og bruge subagenter. Beder du den skrive et script, der kalder en model for hver bunke mails, har du bygget en RLM i hånden. Forskellen er, at alt, Claude Code selv læser, bliver i dens kontekst. En RLM lægger altid teksten uden for modellen.