三星（Samsung）先进技术研究院蒙特利尔研究员Alexia Jolicoeur-Martineau发表Tiny Recursion Model（TRM）研究，以仅约700万参数的小模型，在ARC-AGI-1基准测试达到44.6％正确率，在ARC-AGI-2则达到7.8％。虽然其表现仍低于Grok-4系列模型，但已超越多个大型语言模型。相关论文已公开发表，并于GitHub平台开放源码。

TRM高效的关键在于递归推理（Recursive Reasoning），这是一种让模型在思考过程中反复检查与修正自身答案的方法。TRM只使用一个小型神经网络，在固定的步数内不断进行再思考与修正，运作方式是先将题目与初步答案输入模型，模型会生成一组潜在表示，代表其对问题的理解。接着，模型在每一步都重新审视这些潜在变量，根据新的理解修正先前的答案，并逐步逼近更合理的解答。

TRM的设计有点像人类解题时反复推敲的过程，每次思考都会带来新的线索或更好的推理方向。相较于之前的重要研究HRM（Hierarchical Reasoning Model）需要两个小网络分别在不同频率下递归运行，TRM仅靠单一网络即可完成整个反复推理流程，结构更简洁、运算成本也更低。这让TRM能以极少的参数量达到不错的解题能力，也展现了小模型通过递归思考机制，仍可表现出一定的逻辑与抽象推理能力。

TRM在多个解谜任务基准测试的表现亮眼，数独极难版Sudoku-Extreme最高87.4％，以及迷宫Maze-Hard 85.3％。其中，ARC-AGI-1的44.6％与ARC-AGI-2的7.8％被拿来与其他大语言模型，例如DeepSeek R1、o3-mini与Gemini 2.5 Pro做比较，其以不到其千分之一的参数量呈现相对优势。

作者Alexia Jolicoeur-Martineau同时指出，过度依赖大型企业以数百万元训练的大型基础模型来解决复杂问题，将会造成限制。他认为，目前产业界过于关注大型语言模型现有的能力，而非致力于设计并拓展新的研究方向。