📢 转载信息
原文链接：https://www.nature.com/articles/d41586-025-03379-9
原文作者：Elizabeth Gibney
一个“微型推理模型”在逻辑谜题中击败了大型语言模型，尽管它的训练数据集要小得多。图片来源：Getty
一种仅从有限数据集学习的微型人工智能模型，因其在提升推理能力方面的潜力而令研究人员感到兴奋。该模型被称为“递归微型模型”（Tiny Recursive Model，简称TRM），在人工通用智能的抽象与推理语料库（ARC-AGI）测试中，表现超越了世界上一些最优秀的大型语言模型（LLMs）。ARC-AGI测试涉及视觉逻辑谜题，旨在让大多数机器感到困惑。
该模型——上个月在arXiv服务器的预印本中详细介绍1——与LLM并不直接可比。它具有高度的专业性，仅在训练它的逻辑谜题类型上表现出色，例如数独和迷宫，并且它不“理解”或生成语言。但研究人员表示，它在极少资源下（比前沿LLMs小10,000倍）所表现出的优异能力，暗示了一条可能更广泛地提升AI这种能力（推理能力）的途径。
“这是关于其他形式推理的迷人研究，这些推理形式有一天可能会被用于LLMs中，”曾在加拿大温哥华的英属哥伦比亚大学任职的机器学习研究员Cong Lu说。然而，他警告说，如果将这些技术应用于更大规模，效果可能就不那么显著了。“通常，技术在小模型尺寸下效果非常好，然后在大规模时就失效了，”他说。
人工智能测试
🚀 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，文档丰富，小白也可以简单操作。
评论区