三星SAIL蒙特利尔实验室最新研究显示，仅含700万参数的微型递归模型（TRM）在ARC-AGI智能测试等复杂推理基准中刷新性能纪录，其参数量不足主流大模型的0.01%。这项突破性研究证实，通过递归自修正架构设计，AI模型可在极低算力需求下实现卓越推理能力，为可持续发展AI开辟全新路径。

三星AI研究员发布了一篇新论文，阐述了如何通过使用小型网络在复杂推理任务中击败大型语言模型（LLMs）。尽管科技巨头们投入巨资打造越来越大的模型，但三星SAIL Montréal的Alexia Jolicoeur-Martineau认为，通过Tiny Recursive Model（TRM）可以走一条截然不同且更高效的道路。TRM模型仅拥有700万个参数，不到主要LLMs大小的0.01%，却在诸如ARC-AGI智力测试等难题上取得了新的最先进成果。

三星的研究表明，规模并不是提升AI模型能力的唯一途径，而是提供了一种更可持续且参数高效的替代方案。尽管LLMs在生成类人文本方面表现出色，但在执行复杂、多步骤推理时可能会出错。由于它们是逐个生成答案的，一个早期错误就能导致最终答案无效。尽管开发了如Chain-of-Thought等技术来缓解这一问题，但这些方法计算成本高，且需要大量高质量的推理数据，这些数据可能并不容易获得，并且仍可能出现逻辑错误。 三星的研究基于近期提出的Hierarchical Reasoning Model（HRM），该模型使用两个小型神经网络以不同频率递归处理问题，以改进答案。然而，HRM依赖于不确定的生物学论点和复杂的固定点定理，无法保证适用性。相比之下，TRM只使用一个小型神经网络，简化了模型结构，但仍能取得优异的推理效果。这一研究挑战了当前对大规模模型的依赖，为AI模型的发展提供了新的思路。