小型递归模型（TRM）在ARC-AGI上的准确率高于拥有700万参数的大语言模型

研究人员提出了小型递归模型（TRM），这是一种简化的递归推理方法，使用单个两层网络，在复杂谜题任务中优于更大的模型。TRM仅使用700万个参数，并在最小数据上进行训练，与之前提出的分层推理模型（HRM）相比，表现出显著更高的泛化能力。

• TRM在ARC-AGI-1上达到45%的测试准确率，在ARC-AGI-2上达到8%。
• 这些结果超过了Deepseek R1、o3-mini和Gemini 2.5 Pro等大型语言模型的性能。
• 该模型使用的参数量不到这些竞争LLM所需参数的0.01%。

这项工作表明，非常小的网络可以有效地解决难题，为特定推理任务提供了比大规模语言模型更高效的替代方案。