Peneliti mengusulkan Tiny Recursive Model (TRM), sebuah pendekatan penalaran rekursif yang disederhanakan menggunakan satu jaringan dua lapis, yang mengungguli model yang lebih besar dalam tugas teka-teki kompleks. TRM hanya menggunakan 7 juta parameter dan dilatih pada data minimal, menunjukkan generalisasi yang jauh lebih tinggi daripada Model Penalaran Hierarkis (HRM) yang sebelumnya diusulkan.
- TRM mencapai akurasi uji 45% pada ARC-AGI-1 dan 8% pada ARC-AGI-2.
- Hasil ini melebihi kinerja model bahasa besar seperti Deepseek R1, o3-mini, dan Gemini 2.5 Pro.
- Model ini menggunakan kurang dari 0,01% parameter yang dibutuhkan oleh LLM pesaing tersebut.
Karya ini menunjukkan bahwa masalah sulit dapat diselesaikan secara efektif dengan jaringan yang sangat kecil, menawarkan alternatif yang lebih efisien dibandingkan model bahasa skala besar untuk tugas penalaran tertentu.