Samsung представил ИИ-модель, которая думает лучше, чем другие LLM гиганты
Лаборатория Samsung AI в Монреале разработала модель Tiny Recursive Model (TRM), которая достигает высокой точности в сложных задачах логического мышления, используя всего 7 миллионов параметров. TRM применяет рекурсивный подход для уточнения ответов и показывает улучшенные результаты по сравнению с предыдущими решениями и некоторыми крупными языковыми моделями на тестах, включая Sudoku-Extreme, Maze-Hard и ARC-AGI.
По данным исследования, проведенного лабораторией Samsung AI в Монреале, небольшие нейросетевые архитектуры могут превзойти крупные языковые модели в сложных задачах логического мышления. Работа Алексии Жоликоэ-Мартенеау представлена в рамках разработки Tiny Recursive Model (TRM), который демонстрирует впечатляющие результаты на сложных тестах, используя всего 7 миллионов параметров.
Альтернатива масштабированию
В последнее время в сфере ИИ доминирует подход, основанный на увеличении масштаба моделей. Однако Samsung предлагает другой путь — создание более компактных и эффективных решений. TRM показывает, что уменьшение количества параметров не обязательно ведет к снижению качества решения. Наоборот, это может улучшить обобщающие способности модели и снизить вероятность переобучения.
Модель TRM использует рекурсивный подход: на основе начального предположения и скрытой логики модель итеративно уточняет ответ. Это позволяет ей постепенно корректировать ошибки и повышать точность. В отличие от предыдущих решений, таких как HRM, TRM не требует сложных математических обоснований, что упрощает обучение и ускоряет обучаемость.
Результаты на ключевых тестах
TRM демонстрирует впечатляющие результаты в ряде сложных задач. На датасете Sudoku-Extreme, где требуется решить экстремально сложные головоломки, модель достигает точности 87,4%. Это на 30% выше показателя HRM. На Maze-Hard, где модель должна находить длинные пути в лабиринтах, TRM показывает 85,3% точности против 74,5% у HRM.
Наиболее значимые результаты достигнуты на тесте ARC-AGI, который оценивает способность модели к абстрактному мышлению. TRM показывает 44,6% точности на первом уровне и 7,8% на втором, что превосходит результаты HRM и даже некоторых крупных языковых моделей, включая Gemini 2.5 Pro, который демонстрирует лишь 4,9% на втором уровне.
Оптимизация процесса обучения
Для повышения эффективности обучения в TRM используется механизм ACT (Adaptive Checkpointing Threshold), который определяет, когда модель достаточно улучшила ответ, чтобы переходить к следующему примеру. Это позволило сократить вычислительные затраты, сохранив при этом высокую точность.
Новый вектор в развитии ИИ: эффективность вместо масштаба
Пересмотр парадигмы развития ИИ
На протяжении последних лет доминирующей стратегией в разработке ИИ было масштабирование — увеличение числа параметров моделей, что позволяло достигать высоких показателей в сложных задачах. Однако исследование, проведённое лабораторией Samsung AI, демонстрирует, что эффективность может быть не менее важной, а в некоторых случаях — даже более критичной, чем размер модели.
Модель Tiny Recursive Model (TRM), разработанная командой под руководством Алексии Жоликоэ-Мартенеау, использует всего 7 миллионов параметров, но превосходит по эффективности более крупные архитектуры. Это не случайный эксперимент, а систематический подход к пересмотру основных принципов обучения ИИ. Вместо увеличения масштаба, TRM опирается на рекурсивную структуру, которая позволяет модели постепенно уточнять свои ответы и минимизировать ошибки. Такой подход снижает вероятность переобучения и повышает обобщающие способности.
Важный нюанс: Эффективность может стать новым стандартом в разработке ИИ, особенно в условиях ограниченных вычислительных ресурсов.
Экономия ресурсов как стратегическое преимущество
Одним из ключевых преимуществ TRM является её способность работать с минимальными вычислительными затратами. В условиях, когда стоимость обучения и инференса ИИ становится всё более значимой, особенно для бизнеса и государственных проектов, переход к компактным архитектурам может дать существенное преимущество. Например, в отраслях, где требуется быстрая обработка данных в реальном времени — от телекоммуникаций до медицинской диагностики — компактные модели могут стать оптимальным выбором.
TRM достигает высоких результатов на сложных задачах, таких как решение экстремальных судоку, навигация по лабиринтам и абстрактное мышление. На датасете ARC-AGI, который оценивает способность модели к абстрактному мышлению, TRM показывает 44,6% точности на первом уровне и 7,8% на втором — это выше, чем у некоторых крупных языковых моделей, включая Gemini 2.5 Pro. Такие результаты указывают на то, что уменьшение размера модели не обязательно приводит к ухудшению качества, а может даже улучшать её способность к обобщению.
Важный нюанс: Компактные модели могут стать основой для внедрения ИИ в устройства с ограниченной вычислительной мощностью, таких как IoT-устройства и мобильные приложения.
Перспективы для российского ИТ-рынка
Для российского бизнеса и государственных структур, где доступ к мощным вычислительным ресурсам ограничен, TRM может стать важным инструментом. В условиях, когда рост числа параметров стал дорогостоящим, переход к эффективным архитектурам позволяет снизить затраты на обучение и инференс, а также ускорить разработку и внедрение решений.
Особенно значимым этот подход может быть для отраслей, где требуется быстрая и точная обработка данных в условиях ограниченных ресурсов. Например, в системах безопасности, медицинской диагностики, логистики и промышленной автоматизации. В этих сценариях TRM может обеспечить высокую производительность без необходимости использования дорогостоящих вычислительных мощностей.
Важный нюанс: Эффективность ИИ становится стратегическим преимуществом, особенно в условиях, где масштабирование становится экономически нецелесообразным.
