Tiny Recursive Model (TRM-Att)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Samsung SAIT AI Lab
- Type d'organisation
- Industry
- Pays
- Korea (Republic of)
- Publié
- 6 October 2025
- Auteurs
- Alexia Jolicoeur-Martineau
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language, Vision, Multimodal
- Tâche
- Language modeling/generation, Question answering, Visual puzzles
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 7M
- Données d'entraînement
- tokens
7M
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 3.1 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
989400000000000 FLOP/GPU/sec * 72 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 3.07742976e20 FLOP
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA H100 SXM5 80GB
- Chips utilisés
- 4
- Temps en temps réel
- 72 hours
- Consommation d'énergie
- 5.5 kW
"Experiments on ARC-AGI were ran for around 3 days with 4 H100 with 80Gb of RAM."
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Open source
MIT license https://github.com/SamsungSAILMontreal/TinyRecursiveModels
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Less is More: Recursive Reasoning with Tiny Networks
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
Tiny Recursive Model (TRM-Att) a été publié par Samsung SAIT AI Lab, dans le pays enregistré comme Korea (Republic of), durant October 2025. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Language, Vision, Multimodal, et est enregistré comme exécutant la tâche de language modeling/generation, Question answering, Visual puzzles.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
L'entraînement a consommé environ 3.1 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA H100 SXM5 80GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Tiny Recursive Model (TRM-Att) — questions courantes
Tiny Recursive Model (TRM-Att)— qui l'a créé ?
Il a été publié par Samsung SAIT AI Lab, basé sur Korea (Republic of), une organisation catégorisée comme industry.
Tiny Recursive Model (TRM-Att)— quand a-t-il été publié ?
Il a été publié dans October 2025.
Tiny Recursive Model (TRM-Att)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, Vision, Multimodal, et est enregistré comme gérant la tâche de language modeling/generation, Question answering, Visual puzzles. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Tiny Recursive Model (TRM-Att)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.1 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA H100 SXM5 80GB. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Tiny Recursive Model (TRM-Att)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Tiny Recursive Model (TRM-Att)— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Tiny Recursive Model (TRM-Att)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 7M. 7M. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.