📢 转载信息
原文链接：https://www.ithome.com/0/888/467.htm
原文作者：故渊
AI“以小博大”新标杆：三星开源700万参数TRM模型，特定任务性能媲美万倍大模型
IT之家 10 月 10 日消息，科技媒体 venturebeat 于 10 月 8 日报道称，三星高级 AI 研究院发布了名为微型递归模型（TRM）的开源 AI 模型。这款模型参数量仅为 700 万，但在数独、迷宫等特定的结构化推理任务上，表现竟能媲美甚至超越参数量大其 10000 倍的谷歌 Gemini 2.5 Pro 等顶尖大模型。
该 AI 模型由三星高级 AI 研究院（SAIT）高级 AI 研究员 Alexia Jolicoeur-Martineau 发布，是 AI 领域“小模型”对抗“大模型”趋势中的一个重要里程碑案例。
“递归推理”：小模型实现深层计算
TRM 模型仅有 700 万参数，其设计理念是追求极致的简化。在模型架构上，它放弃了分层推理模型（HRM）依赖的双网络协作，转而采用一个仅有两层的单一模型。
其核心创新在于“递归推理”机制：模型对自身的输出预测进行反复迭代和修正，每一步都在纠正前一步的潜在错误，直到最终答案收敛稳定。
通过这种方式，TRM 用迭代计算的深度模拟了庞大网络的复杂推理过程，实现了“以递归替代规模”的目标，从而在不牺牲性能的前提下，大幅降低了计算和内存成本。
惊人的“以小博大”性能表现
尽管模型极小，TRM 在多个基准测试中展现了“以小博大”的惊人实力：
- 在 Sudoku-Extreme（极限数独）测试中，其准确率达到 87.4%；
- 在 Maze-Hard（困难迷宫）中达到 85%；
- 在衡量抽象推理能力的 ARC-AGI 测试中准确率为 45%；
- ARC-AGI-2 的准确率为 8%。
值得注意的是，尽管 TRM 使用的参数不到万分之一，但这些结果依然超过或接近 DeepSeek R1、Gemini 2.5 Pro 和 o3-mini 等几种高端大型语言模型的性能。
应用场景与开源情况
需要明确的是，TRM 是专门为解决结构化、可视化的网格类问题（如数独、迷宫和特定解谜任务）而设计的，它擅长在有明确规则的封闭环境中进行逻辑推理，并非通用的语言聊天模型，不擅长开放式的语言生成。
TRM 的成功源于其刻意追求的“少即是多”极简主义设计。研究发现，增加模型层数或大小反而会导致在小数据集上出现过拟合，性能下降。其精简的双层结构与递归深度相结合，实现了最佳效果。
TRM 的代码、训练脚本和数据集目前已在 GitHub 上根据 MIT 许可证完全开源，企业和研究人员均可免费使用、修改和部署，甚至用于商业应用。
IT之家附上参考地址
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区