Tiny Recursive Model (TRM-Att)
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Samsung SAIT AI Lab
- Typ organizace
- Industry
- Země
- Korea (Republic of)
- Publikováno
- 6 October 2025
- Autoři
- Alexia Jolicoeur-Martineau
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language, Vision, Multimodal
- Úkol
- Language modeling/generation, Question answering, Visual puzzles
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 7M
- Výcviková data
- tokens
7M
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 3.1 × 10²⁰ FLOP
- Jak bylo ustanoveno
- Hardware
989400000000000 FLOP/GPU/sec * 72 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 3.07742976e20 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA H100 SXM5 80GB
- Používané čipy
- 4
- Doba reálného času
- 72 hours
- Příkon
- 5.5 kW
"Experiments on ARC-AGI were ran for around 3 days with 4 H100 with 80Gb of RAM."
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Open source
MIT license https://github.com/SamsungSAILMontreal/TinyRecursiveModels
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Less is More: Recursive Reasoning with Tiny Networks
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Pozadí
Tiny Recursive Model (TRM-Att) byl zveřejněn Samsung SAIT AI Lab, v zemi zaznamenané jako Korea (Republic of), během October 2025. Vydavatelská organizace je kategorizována jako industry.
funguje v oblasti Language, Vision, Multimodal, a je zaznamenán jako vykonávající úkol language modeling/generation, Question answering, Visual puzzles.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Jak bylo trénováno
Trenovací běh spotřeboval asi 3.1 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Odpovědi
Tiny Recursive Model (TRM-Att) — běžné otázky
Tiny Recursive Model (TRM-Att)— Kdo to vytvořil?
Bylo to publikováno společností Samsung SAIT AI Lab, zakládající se na Korea (Republic of), organizace zařazená jako industry.
Tiny Recursive Model (TRM-Att)— Kdy byl vydán?
Bylo to zveřejněno v October 2025.
Tiny Recursive Model (TRM-Att)— K čemu se to používá?
funguje v oblasti Language, Vision, Multimodal, a je zaznamenáno jako zpracovávající úkol language modeling/generation, Question answering, Visual puzzles. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Tiny Recursive Model (TRM-Att)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.1 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
Tiny Recursive Model (TRM-Att)— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
Tiny Recursive Model (TRM-Att)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Tiny Recursive Model (TRM-Att)— kolik má parametrů?
Má počet parametrů 7M. 7M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.