🚀 انقلاب سامسونگ در معماری مدل‌ها: Tiny Recursive Model (TRM)
مدلی با فقط ۷ میلیون پارامتر توانسته در تست‌های استدلالی ARG-AGI 1 و ARC-AGI 2، از غول‌هایی مثل DeepSeek-R1، Gemini 2.5 Pro و o3-mini جلو بزند! 😳
📘 این شاهکار جدید سامسونگ، به نام Tiny Recursive Model (TRM)، نشان می‌دهد که «معماری هوشمندتر، از مدل بزرگ‌تر مهم‌تر است.»
🧩 مدل TRM چطور کار می‌کند؟
برخلاف مدل‌های زبانی معمول که واژه‌به‌واژه پاسخ می‌سازند، TRM مثل یک متفکر واقعی عمل می‌کند:
1️⃣ پیش‌نویس اولیه می‌نویسد — یک پاسخ کامل اما خام.
2️⃣ دفترچه تفکر درونی (scratchpad) می‌سازد تا استدلالش را بررسی کند.
3️⃣ خودانتقادی عمیق: شش بار پیاپی پاسخ خود را با مسئله مقایسه می‌کند و منطقش را تصحیح می‌کند.
4️⃣ بازنویسی پاسخ نهایی بر اساس منطق بهبود‌یافته.
5️⃣ این چرخه‌ی پیش‌نویس 👈 تفکر 👈 بازنویسی تا ۱۶ بار تکرار می‌شود، تا زمانی که مدل به پاسخ منطقی و مطمئن برسد.
💡 چرا این مدل مهم است؟
🔹 برای پژوهشگران: تأییدی بزرگ بر ایده‌های نوروسمبلیک و استدلال بازگشتی؛ یعنی تفکر پیش از تولید.
🔹 برای مهندسان: دیگر برای رسیدن به SOTA نیازی به خوشه‌های GPU میلیارددلاری نیست!
🔹 برای مدیران: این یعنی برتری الگوریتمی — کارایی بالا با هزینه‌ی بسیار پایین‌تر از رقبا.
📊 نتایج خیره‌کننده:
فقط ۷ میلیون پارامتر
آموزش با ۱۰۰۰ نمونه
۴۵٪ دقت در ARC-AGI-1
۸٪ دقت در ARC-AGI-2
📉 در حالی‌که مدل‌های بزرگ‌تر با بیش از ۱۰٬۰۰۰ برابر پارامتر بیشتر چنین عملکردی نداشتند!
🧠 عنوان مقاله:
Less is More: Recursive Reasoning with Tiny Networks
📅 انتشار: ۶ اکتبر ۲۰۲۵
🔗 arXiv:2510.04871v1
💬 این پژوهش نشان می‌دهد آینده‌ی AGI لزوماً در بزرگ‌کردن مدل‌ها نیست — بلکه در یاد دادن تفکر بازگشتی و خودانتقادی درونی است.
#AgenticAI #SamsungAI #TinyRecursiveModel #Reasoning #NeuroSymbolicAI #AGI #DeepSeek #Gemini #AIResearch
@asrgooyeshpardaz
مدلی با فقط ۷ میلیون پارامتر توانسته در تست‌های استدلالی ARG-AGI 1 و ARC-AGI 2، از غول‌هایی مثل DeepSeek-R1، Gemini 2.5 Pro و o3-mini جلو بزند! 😳
📘 این شاهکار جدید سامسونگ، به نام Tiny Recursive Model (TRM)، نشان می‌دهد که «معماری هوشمندتر، از مدل بزرگ‌تر مهم‌تر است.»
🧩 مدل TRM چطور کار می‌کند؟
برخلاف مدل‌های زبانی معمول که واژه‌به‌واژه پاسخ می‌سازند، TRM مثل یک متفکر واقعی عمل می‌کند:
1️⃣ پیش‌نویس اولیه می‌نویسد — یک پاسخ کامل اما خام.
2️⃣ دفترچه تفکر درونی (scratchpad) می‌سازد تا استدلالش را بررسی کند.
3️⃣ خودانتقادی عمیق: شش بار پیاپی پاسخ خود را با مسئله مقایسه می‌کند و منطقش را تصحیح می‌کند.
4️⃣ بازنویسی پاسخ نهایی بر اساس منطق بهبود‌یافته.
5️⃣ این چرخه‌ی پیش‌نویس 👈 تفکر 👈 بازنویسی تا ۱۶ بار تکرار می‌شود، تا زمانی که مدل به پاسخ منطقی و مطمئن برسد.
💡 چرا این مدل مهم است؟
🔹 برای پژوهشگران: تأییدی بزرگ بر ایده‌های نوروسمبلیک و استدلال بازگشتی؛ یعنی تفکر پیش از تولید.
🔹 برای مهندسان: دیگر برای رسیدن به SOTA نیازی به خوشه‌های GPU میلیارددلاری نیست!
🔹 برای مدیران: این یعنی برتری الگوریتمی — کارایی بالا با هزینه‌ی بسیار پایین‌تر از رقبا.
📊 نتایج خیره‌کننده:
فقط ۷ میلیون پارامتر
آموزش با ۱۰۰۰ نمونه
۴۵٪ دقت در ARC-AGI-1
۸٪ دقت در ARC-AGI-2
📉 در حالی‌که مدل‌های بزرگ‌تر با بیش از ۱۰٬۰۰۰ برابر پارامتر بیشتر چنین عملکردی نداشتند!
🧠 عنوان مقاله:
Less is More: Recursive Reasoning with Tiny Networks
📅 انتشار: ۶ اکتبر ۲۰۲۵
🔗 arXiv:2510.04871v1
💬 این پژوهش نشان می‌دهد آینده‌ی AGI لزوماً در بزرگ‌کردن مدل‌ها نیست — بلکه در یاد دادن تفکر بازگشتی و خودانتقادی درونی است.
#AgenticAI #SamsungAI #TinyRecursiveModel #Reasoning #NeuroSymbolicAI #AGI #DeepSeek #Gemini #AIResearch
@asrgooyeshpardaz
arXiv.org
Less is More: Recursive Reasoning with Tiny Networks
Hierarchical Reasoning Model (HRM) is a novel approach using two small neural networks recursing at different frequencies. This biologically inspired method beats Large Language models (LLMs) on...
👍5🔥3❤2🤝1
🔥 مدل VibeThinker-1.5B؛ مدل کوچک با عملکرد SOTA در استدلال
مدل VibeThinker-1.5B ثابت می‌کند که لزومی ندارد مدل‌ها غول‌پیکر باشند تا در استدلال بدرخشند. این مدل تنها با ۱.۵ میلیارد پارامتر، نتایجی در سطح بهترین مدل‌های روز به دست آورده است.
🚀 عملکرد
یکی از برترین نتایج در آزمون‌های AIME24/25 و HMMT25
عملکرد بهتر از DeepSeek R1-0120 در مسائل ریاضی
پیشتازی نسبت به مدل‌های هم‌رده در برنامه‌نویسی رقابتی
⚡ کارایی
فقط ۱.۵B پارامتر
یعنی ۱۰۰ تا ۶۰۰ برابر کوچک‌تر از مدل‌هایی مثل Kimi K2 و DeepSeek R1
💰 هزینه
کل هزینه‌ی پست‌ترنینگ فقط ۷.۸ هزار دلار
حدود ۳۰ تا ۶۰ برابر ارزان‌تر از DeepSeek R1 و MiniMax-M1
🧠 مبتنی بر چه ایده‌هایی است؟
این مدل روی دو ایده‌ی کلیدی بنا شده است:
Spectrum-to-Signal Principle (SSP)
MGPO Framework
این دو، فرایند استدلال و بهینه‌سازی را به‌شدت کارآمدتر می‌کنند.
🔗 منابع
📦 Model: https://huggingface.co/WeiboAI/VibeThinker-1.5B
💻 GitHub: https://github.com/WeiboAI/VibeThinker
📄 Arxiv: https://arxiv.org/abs/2511.06221
#AI #LLM #Reasoning #OpenSource #SmallModel
@asrgooyeshpardaz
مدل VibeThinker-1.5B ثابت می‌کند که لزومی ندارد مدل‌ها غول‌پیکر باشند تا در استدلال بدرخشند. این مدل تنها با ۱.۵ میلیارد پارامتر، نتایجی در سطح بهترین مدل‌های روز به دست آورده است.
🚀 عملکرد
یکی از برترین نتایج در آزمون‌های AIME24/25 و HMMT25
عملکرد بهتر از DeepSeek R1-0120 در مسائل ریاضی
پیشتازی نسبت به مدل‌های هم‌رده در برنامه‌نویسی رقابتی
⚡ کارایی
فقط ۱.۵B پارامتر
یعنی ۱۰۰ تا ۶۰۰ برابر کوچک‌تر از مدل‌هایی مثل Kimi K2 و DeepSeek R1
💰 هزینه
کل هزینه‌ی پست‌ترنینگ فقط ۷.۸ هزار دلار
حدود ۳۰ تا ۶۰ برابر ارزان‌تر از DeepSeek R1 و MiniMax-M1
🧠 مبتنی بر چه ایده‌هایی است؟
این مدل روی دو ایده‌ی کلیدی بنا شده است:
Spectrum-to-Signal Principle (SSP)
MGPO Framework
این دو، فرایند استدلال و بهینه‌سازی را به‌شدت کارآمدتر می‌کنند.
🔗 منابع
📦 Model: https://huggingface.co/WeiboAI/VibeThinker-1.5B
💻 GitHub: https://github.com/WeiboAI/VibeThinker
📄 Arxiv: https://arxiv.org/abs/2511.06221
#AI #LLM #Reasoning #OpenSource #SmallModel
@asrgooyeshpardaz
👍1🔥1🤝1