Die KI-Branche ist bekannt für ihren Fokus auf immer größere Modelle – doch Samsung setzt mit dem Tiny Recursion Model (TRM) ein Ausrufezeichen für Effizienz. Die Forscherin Alexia Jolicoeur-Martineau von Samsung SAIL Montréal präsentierte das TRM: Ein Modell, das mit nur 7 Millionen Parametern hochkomplexe Denkaufgaben effektiver löst als Giganten wie DeepSeek R1 und Gemini 2.5 Pro.
TRM liefert 45 % Testgenauigkeit auf dem schwierigen ARC-AGI-1 und 8 % auf ARC-AGI-2. Diese Werte übersteigen Ergebnisse weitaus größerer LLMs und zeigen, wie Architektur und Trainingsstrategie die Grenzen des Möglichen verschieben können.
Kern der Innovation ist ein zyklisches Selbstverbesserungsprinzip: Statt Antworten Token für Token zu erzeugen, entwirft TRM komplette Lösungsvorschläge, prüft und korrigiert diese bis zu 16 Mal. Jeder Zyklus beinhaltet einen separaten Notizblock, mit dem die Logik sechsfach pro Durchgang hinterfragt und verfeinert wird.
Die Resultate sind besonders für Puzzle- und Logikaufgaben (Sudoku, Maze, ARC-AGI) beeindruckend. Für andere Anwendungsfälle bleibt weiteres Modell-Tuning nötig.
Technisch wurde der Trainingsprozess optimiert: Das adaptive Kontrollsystem ACT wurde vereinfacht und braucht nur einen Forward-Pass pro Trainingsschritt, was Ressourcen und Zeit spart.
Das Modell steht Open Source unter MIT-Lizenz zur Verfügung, was Forschung und wirtschaftliche Nutzung stark erleichtert.
Im Kontext der KI-Entwicklung setzt TRM ein Zeichen gegen den reinen „Skalentrend“: Smarte Architekturen und rekursive Methoden können kleine Modelle zu Höchstleistungen bringen.
Für KIs mit begrenzten Ressourcen – etwa in Forschungslaboren oder Edge-Geräten – eröffnet Samsung neue Wege, KI effizient und nachhaltig produktiv zu machen.
Zusammenfassung: TRM zeigt, dass „Weniger ist mehr“ auch bei KI gilt. Durch clevere Selbstoptimierung lassen sich Mega-Modelle herausfordern – und der Markt für kompakte, spezialisierte KI-Modelle wächst.
Quelle: Artificial Intelligence News