2025 年 10 月 8 日，三星 AI 研究员 Alexia Jolicoeur-Martineau 发布的新研究显示，一款名为 “微型递归模型（Tiny Recursive Model, TRM）” 的小参数 AI 模型，在复杂推理任务中击败了参数规模远超自身的大型语言模型（LLMs）。这款仅含 700 万参数的模型（不足主流 LLMs 参数规模的 0.01%），不仅在数独、迷宫导航等经典推理基准测试中刷新最佳成绩，更在衡量 AI “流体智力” 的 ARC-AGI 测试中超越 Gemini 2.5 Pro 等顶尖大模型，彻底挑战了行业内 “参数越大、性能越强” 的传统认知，为 AI 推理提供了更高效、更可持续的技术路径。
TRM 的核心突破在于 “递归自修正架构”，这一设计从根本上解决了传统 LLMs 在多步推理中的固有缺陷。传统 LLMs 采用逐 token 生成答案的模式，一旦早期推理出现错误，后续步骤会持续 “跑偏”，最终导致答案失效；即便借助 “思维链（Chain-of-Thought）” 技术拆解问题，也需消耗大量计算资源，且依赖高质量推理数据，仍难以避免逻辑漏洞。而 TRM 通过 “单网络递归迭代” 机制，让模型具备自我修正能力：它先接收问题、初始猜测答案与潜在推理特征，通过多轮循环（最多 16 次）优化内部推理逻辑 —— 首先基于三者输入反复精炼 “潜在推理特征”，再用优化后的推理更新答案，逐步修正错误。例如在解 Sudoku-Extreme 数独时，TRM 会先生成初步填数方案，再通过多轮自查，修正行、列、宫格的数字冲突，最终将准确率提升至 87.4%，远超分层推理模型（HRM）的 55%。
值得注意的是，TRM 在架构设计上做了两处关键简化，既提升效率又避免过拟合。其一，它摒弃了 HRM 的双网络结构（低层高频调用模块 + 高层低频调用模块），改用单一网络同时承担推理与答案更新任务，参数规模直接缩减至 HRM 的 1/4（HRM 含 2700 万参数）；其二，研究发现 “少层数更优”—— 仅含 2 层的网络比 4 层网络泛化能力更强，原因是层数减少能避免模型在小规模训练数据（如 Sudoku-Extreme 仅 1000 个训练样本）上过度拟合，确保在新任务中保持灵活性。此外，TRM 还去除了 HRM 依赖的复杂数学假设（如不动点定理），通过 “全递归反向传播” 直接优化整个推理过程，仅这一调整就使 Sudoku-Extreme 测试准确率从 56.5% 提升至 87.4%，大幅降低了技术落地的理论门槛。
在性能测试中，TRM 以极小的参数规模展现出碾压性优势。在 Maze-Hard 任务（30×30 迷宫寻路）中，它的准确率达 85.3%，超过 HRM 的 74.5%；在最具挑战性的 ARC-AGI 测试（衡量 AI 抽象推理能力）中，TRM 在 ARC-AGI-1 上准确率 44.6%，ARC-AGI-2 上达 7.8%—— 这一成绩不仅超越 2700 万参数的 HRM（ARC-AGI-2 准确率 5.0%），更超过参数规模是其 10000 倍的 Gemini 2.5 Pro（ARC-AGI-2 准确率仅 4.9%）。训练效率上，TRM 通过简化 “自适应停止机制（ACT）”，省去训练中每次迭代的二次前向传播，在不影响泛化能力的前提下，进一步降低计算成本，使其能在普通硬件上快速训练，打破了大模型对高端算力的依赖。
TRM 的研发背景，源于行业对 “大模型规模竞赛” 的反思。此前，科技巨头为追求 AI 性能，持续投入数十亿资金扩大模型参数（如 DeepSeek R1 达 6710 亿参数），但这种模式不仅成本高昂、能耗巨大，还面临 “性能边际效益递减” 问题 —— 参数增长带来的推理能力提升越来越有限，且难以避免 “推理黑箱” 与 “错误累积”。三星的研究证明，通过优化推理架构（而非单纯扩大规模），小模型也能实现复杂任务的高效解决。这种 “参数高效型 AI” 路径，不仅符合低碳环保的行业趋势，还能让 AI 技术更易普及到算力有限的场景（如边缘设备、中小企业应用），为 AI 推理的轻量化发展提供了重要参考。
未来，TRM 的技术思路有望进一步拓展。研究团队计划探索将递归架构与多模态能力结合，提升模型在图像推理、跨语言逻辑分析等任务中的表现；同时，针对医疗诊断、工业质检等高精度推理场景，优化模型的逻辑严谨性与结果可解释性。正如研究员 Alexia Jolicoeur-Martineau 所言：“TRM 证明‘少即是多’—— 通过让小模型学会‘反复思考’，我们能在控制成本的同时，解锁 AI 推理的新可能。” 这一研究不仅为 AI 架构创新提供了新方向，更推动行业从 “规模竞争” 转向 “效率竞争”，为可持续的 AI 发展奠定了技术基础。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/san-xing-tui-chu-wei-xing-ai-mo-xing-trm-yi-700-wan-can-shu
