Исследователи предлагают Малую рекурсивную модель (TRM), упрощенный подход к рекурсивному рассуждению, использующий единственную двухслойную сеть, которая превосходит более крупные модели в сложных задачах с головоломками. TRM использует всего 7 миллионов параметров и обучается на минимальном объеме данных, демонстрируя значительно лучшую обобщающую способность по сравнению с ранее предложенной Иерархической моделью рассуждений (HRM).

  • TRM достигает точности 45% на ARC-AGI-1 и 8% на ARC-AGI-2.
  • Эти результаты превышают производительность больших языковых моделей, таких как Deepseek R1, o3-mini и Gemini 2.5 Pro.
  • Модель использует менее 0,01% параметров, необходимых этим конкурирующим LLM.

Эта работа показывает, что сложные задачи можно эффективно решать с помощью очень малых сетей, предлагая более эффективную альтернативу крупномасштабным языковым моделям для конкретных задач рассуждения.