Il modello di intelligenza artificiale compatta di Samsung supera i modelli di linguaggio più ampi come Gemini 2.5 Pro nella risoluzione dei puzzle ARC-AGI

Sebbene la tecnologia delle fotocamere Samsung possa attualmente non presentare innovazioni significative, i suoi progressi nell’intelligenza artificiale (IA) sono degni di nota. L’ultima iniziativa di IA dell’azienda presenta un modello che ha superato in modo impressionante altri modelli linguistici di grandi dimensioni (LLM), alcuni dei quali sono circa 10.000 volte più grandi.

Presentazione dell’innovativo modello ricorsivo minuscolo di Samsung

TRM: un piccolo diagramma di rete che descrive in dettaglio 7 milioni di parametri e caratteristiche come l'autocorrezione e i parametri minimi. — Fonte dell’immagine

Questo modello, noto come Tiny Recursive Model (TRM), è straordinariamente compatto, comprendendo solo 7 milioni di parametri rispetto ai miliardi presenti nei LLM più grandi.
TRM utilizza i suoi output per guidare i passaggi successivi, creando di fatto un meccanismo di feedback auto-migliorante.
Utilizzando il ragionamento iterativo su ogni output, è possibile emulare un’architettura neurale più profonda senza incorrere nel tipico sovraccarico di memoria o di calcolo.
Attraverso ogni ciclo ricorsivo, il modello migliora l’accuratezza delle sue previsioni o dei suoi risultati.

La strategia di Samsung assomiglia al meticoloso processo di revisione di una bozza scritta; il modello identifica e corregge iterativamente gli errori, un notevole miglioramento rispetto ai tradizionali LLM che spesso falliscono di fronte a difficoltà logiche al verificarsi di un singolo passo falso. Sebbene il ragionamento logico a catena supporti questi modelli, la loro efficacia rimane fragile sotto pressione.

Punto chiave: abbraccia la semplicità

Inizialmente, Samsung ha tentato di aumentare la complessità del modello aumentandone i livelli; tuttavia, questo approccio ha portato a un overfitting e ha ostacolato la generalizzazione.È interessante notare che uno spostamento verso un numero inferiore di livelli, combinato con un aumento delle iterazioni ricorsive, ha portato a un miglioramento delle prestazioni del TRM.

Risultati delle prestazioni

Ha raggiunto un tasso di precisione dell’87, 4% su Sudoku-Extreme, rispetto a solo il 55% dei modelli di ragionamento gerarchico convenzionali.
Ottenuto un livello di precisione dell’85% nei puzzle Maze-Hard.
Raggiunta una precisione del 45% nelle sfide ARC-AGI-1.
Ottenuto un livello di precisione dell’8% nei compiti ARC-AGI-2.

Sorprendentemente, il TRM di Samsung non solo compete, ma in molti casi supera le prestazioni di LLM più grandi come DeepSeek R1, Gemini 2.5 Pro di Google e o3-mini di OpenAI, il tutto utilizzando solo una frazione del loro numero di parametri.

Fonte e immagini