Les chercheurs proposent le Tiny Recursive Model (TRM), une approche de raisonnement récursif simplifiée utilisant un seul réseau à deux couches, qui surpasse les modèles plus grands sur des tâches de puzzles complexes. Le TRM utilise uniquement 7 millions de paramètres et est entraîné sur des données minimales, démontrant une généralisation nettement supérieure au modèle de raisonnement hiérarchique (HRM) précédemment proposé.

  • Le TRM atteint une précision de test de 45 % sur ARC-AGI-1 et 8 % sur ARC-AGI-2.
  • Ces résultats dépassent les performances des grands modèles de langage tels que Deepseek R1, o3-mini et Gemini 2.5 Pro.
  • Le modèle utilise moins de 0,01 % des paramètres requis par ces LLM concurrents.

Ce travail suggère que des problèmes difficiles peuvent être résolus efficacement avec des réseaux très petits, offrant une alternative plus efficiente aux modèles de langage à grande échelle pour des tâches de raisonnement spécifiques.