10 月 10 日消息，科技媒體 venturebeat 于 10 月 8 日發布博文，報道稱三星高級 AI 研究院發布了名為微型遞歸模型（TRM）的開源 AI 模型，僅包含 700 萬個參數，不過在數獨、迷宮等特定的結構化推理任務上，表現媲美甚至超越了參數量為其 10000 倍的谷歌 Gemini 2.5 Pro 等頂尖大模型。

該 AI 模型由三星高級 AI 研究院（SAIT）高級 AI 研究員 Alexia Jolicoeur-Martineau 發布，成為 AI 領域“小模型”對抗“大模型”的趨勢的重磅新案例。

該模型僅有 700 萬參數，設計理念是極致簡化復雜性。在架構方面，摒棄了分層推理模型（HRM）所依賴的雙網絡協作架構，轉而采用一個僅有兩層的單一模型。

其核心機制在于“遞歸推理”：模型對自身輸出的預測進行反復迭代和修正，每一步都糾正前一步的潛在錯誤，直至答案收斂穩定。

TRM 通過這種方式，用迭代計算的深度模擬了龐大網絡的復雜推理過程，實現了“以遞歸替代規模”的目標，從而在不犧牲性能的前提下，大幅降低了計算和內存成本。

盡管模型極小，TRM 在多個基準測試中展現了“以小博大”的驚人實力：

在 Sudoku-Extreme（極限數獨）測試中，其準確率達到 87.4%；

在 Maze-Hard（困難迷宮）中達到 85%；

在衡量抽象推理能力的 ARC-AGI 測試中準確率為 45%；

ARC-AGI-2 的準確率為 8%。

盡管 TRM 使用的參數不到 0.01%，但這些結果仍然超過或接近幾種高端大型語言模型的性能，包括 DeepSeek R1 、 Gemini 2.5 Pro 和 o3-mini 。

然而，一個重要的前提是，TRM 是專門為解決結構化、可視化的網格類問題（如數獨、迷宮和特定解謎任務）而設計的，并非通用的語言聊天模型，它擅長在有明確規則的封閉環境中進行邏輯推理，而非開放式的語言生成。

TRM 的成功源于其刻意追求的“少即是多”極簡主義設計。研究發現，增加模型層數或大小反而會導致在小數據集上出現過擬合，性能下降。其精簡的雙層結構與遞歸深度相結合，實現了最佳效果。

TRM 的代碼、訓練腳本和數據集目前已在 GitHub 上根據 MIT 許可證完全開源，企業和研究人員均可免費使用、修改和部署，甚至用于商業應用。