三星 SAIL 蒙特利尔实验室的研究人员近日推出了一种名为**“微型递归模型”（TRM）的新型 AI 架构。这款模型参数仅有 700万个，远小于70动辄数十亿参数的最小型语言模型（LLM），却在数独和 ARC-AGI 测试**等复杂的结构化推理任务中，表现出惊人的效率和卓越的性能，成功超0万越了包括 Gemini2.5Pro和 Claude3.7在内的多个大型语言模型。

递归推理核心机制:紧密重复的校正循环

根据研究报告《少即是多:基于微型参数网络的递归推理》，TRM 在ARC-AGI-1上的准确率达到45%，在ARC-AGI-2上的准确率达到8% ，其表现优于规模更大微型的模型，包括 o3-mini-high（ARC-AGI-2上的准确率3.0%）、Gemini2.5Pro(4.9%)、DeepSeek R1(1模型.3%)和 Claude3.7(0.7%)。作者表示，TRM 仅使用不到大多数大型模型所用参数的0.01% 即可实现这一目标。Grok-4-thi Tnking(16.0%)和 Grok-4-Heavy(29.4%)等更专业的系统仍然处于领先地位。

作者强调，TRM 仅使用了不到大多数大型模型所RM用参数的 0.01%，便在 ARC-AGI-1和 ARC-AGI-2上分别取得了 45%和 8%的准确率，优于多种更大规模的通用模型。在其他基准，推测试中，TRM 同样表现出色，将 Sudoku-Extreme 的准确率从55.0% 提升至 87.4%，Maze-Hard 的准确率从74.5%理能 提升至 85.3%。

研究意义与局限性

TRM 的研究结果证明了小型、有针对性的模型在处理狭窄、结构化推理任务时的巨大潜力，它能够通过逐步改进和数据增强力竟实现极高的效率。研究还表明，针对特定数据集进行架构选择（如在固定大小网格中使用简单的 MLP而非注意力机制）是成功的关键。

然而，TRM 并非胜过通用 LLM 的替代品。它运行在定义明确的网格问题中，并且不是一个生成系统，因此不适用于开放式、基于文本或多模态的通用任务。

相反，TRM 代表了推理 G任务中一个极具前景的构建模块，展示了计算效率与复杂推理能力平衡的新方向，并可能在未来拓展其应用领域。独立复制和测试仍在进行中。

TRM 的出现强调了em在 AI 领域中，架构创新与算法优化可能比单纯追求模型规模更重要。您认为这种“小而精”的 AI 模型未来最可能率先在哪些垂直领域实现大规模应用?

• ·每周百万用户向ChatGPT倾诉自杀念头，OpenAI紧急升级GPT-5安全机制应对心理危机
• ·斯坦福报告揭示 AI 写作泛滥:四分之一企业新闻稿带有大模型痕迹
• ·标签: 水滴公司 WDH 保险业务 数字临床试验
• ·标签: 趋境科技 ATaaS Token as a Service 智谱GLM
• ·谷歌再陷大麻烦！美国10州联手指控其违反反垄断法
• ·标签: 卓越睿新 智慧树 港股上市 数字化教学
• ·​Kimi 推出全新 Agent 模式 “OK Computer”，开启灰度测试
• ·315晚会曝光互联网灰色地带“精准获客”大数据软件，利用爬虫技术偷取消费者个人信息
• ·标签: 玉柴船电 MTU 发电机组
• ·濂堥�瀹ｅ竷杩涘叆鐢靛瓙娓告垙棰嗗煙 鍒嗘瀽甯堝彂鍑鸿�鍛�
• ·标签: 好想来
• ·路过的蚂蚁也要称赞是什么梗
• ·IDC:2020第二季度中国可穿戴设备市场出货量3293万台 同比增15.3%
• ·终于不瞎编了！AI学会“谷歌一下”，Q&A正确率达90%
• ·标签: 去哪儿 AI Lab 陈刚 OTA
• ·杭州云深处发布全球首款IP66防护人形机器人DR02：大雨中也能干活，零下20度到55度全天候作业