斯坦福与MIT联合推出全新AI推理框架ReCAP，通过递归任务分解、统一上下文共享和滑动窗口记忆三大机制，有效解决大模型在长任务中的目标漂移、上下文断层和成本爆炸问题。在严格单次通过（pass@1）评测下，ReCAP在Robotouille任务中较主流ReAct框架性能提升84.2%至112.5%，在ALFWorld和SWE-bench等基准上也表现更优，同时保持高通用性和即插即用特性。尽管计算成本约为ReAct三倍，但其在复杂长期任务中的稳定性与准确率提升显著，具备成为新一代通用智能体基线的潜力。

该成果标志着AI在长期规划、多步执行和上下文保持方面迈出关键一步，递归架构或将成为通向通用智能的核心路径。

本文内容由开放的智能模型自动生成，仅供参考。