El modelo compacto de IA de Samsung supera a los modelos de lenguaje grandes como Gemini 2.5 Pro en la resolución de acertijos ARC-AGI.

Si bien la tecnología de cámaras de Samsung puede carecer actualmente de avances significativos, sus avances en inteligencia artificial (IA) son notables. La última iniciativa de IA de la compañía presenta un modelo que ha superado con creces a otros modelos de lenguaje de gran tamaño (LLM), algunos de los cuales son aproximadamente 10 000 veces más grandes.

Presentamos el innovador modelo recursivo Tiny de Samsung

TRM: Un pequeño diagrama de red que detalla 7 millones de parámetros y características como autocorrección y parámetros mínimos. — Fuente de la imagen

Este modelo, conocido como Modelo Recursivo Tiny (TRM), es notablemente compacto y comprende solo 7 millones de parámetros en comparación con los miles de millones que se encuentran en los LLM más grandes.
TRM utiliza sus resultados para guiar sus pasos subsiguientes, creando efectivamente un mecanismo de retroalimentación que se mejora a sí mismo.
Al utilizar razonamiento iterativo en cada salida, se puede emular una arquitectura neuronal más profunda sin incurrir en la típica sobrecarga de memoria o computacional.
A través de cada ciclo recursivo, el modelo mejora la precisión de sus predicciones o resultados.

La estrategia de Samsung se asemeja al meticuloso proceso de revisión de un borrador escrito; el modelo identifica y corrige errores de forma iterativa, lo que supone una mejora notable con respecto a los LLM tradicionales, que suelen fallar al enfrentarse a desafíos lógicos si se produce un solo error. Si bien el razonamiento en cadena de pensamiento facilita estos modelos, su eficacia es frágil bajo presión.

Conclusión clave: Adopte la simplicidad

Inicialmente, Samsung intentó aumentar la complejidad del modelo aumentando sus capas; sin embargo, este enfoque provocó un sobreajuste y dificultó la generalización. Curiosamente, la reducción de capas, combinada con un aumento de las iteraciones recursivas, mejoró el rendimiento del TRM.

Resultados de rendimiento

Se logró una tasa de precisión del 87, 4% en Sudoku-Extreme, en comparación con solo el 55% para los modelos de razonamiento jerárquico convencionales.
Se aseguró una precisión del 85% en los rompecabezas de laberinto difícil.
Alcanzó una precisión del 45% en los desafíos ARC-AGI-1.
Obtuvo una precisión del 8% en las tareas ARC-AGI-2.

Sorprendentemente, el TRM de Samsung no solo compite con, sino que en muchos casos supera en rendimiento a, LLM más grandes como DeepSeek R1, Gemini 2.5 Pro de Google y o3-mini de OpenAI, todo ello utilizando una fracción de su cantidad de parámetros.

Fuente e imágenes