Tiny Recursive Model (TRM-Att)
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Samsung SAIT AI Lab
- Szervezet típusa
- Industry
- Ország
- Korea (Republic of)
- Közölt
- 6 October 2025
- Szerzők
- Alexia Jolicoeur-Martineau
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language, Vision, Multimodal
- Feladat
- Language modeling/generation, Question answering, Visual puzzles
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 7M
- Képzési adatok
- tokens
7M
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.1 × 10²⁰ FLOP
- Hogyan jött létre
- Hardware
989400000000000 FLOP/GPU/sec * 72 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 3.07742976e20 FLOP
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA H100 SXM5 80GB
- Használt chipek
- 4
- Fali óra idő
- 72 hours
- Teljesítményfogyasztás
- 5.5 kW
"Experiments on ARC-AGI were ran for around 3 days with 4 H100 with 80Gb of RAM."
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Open source
MIT license https://github.com/SamsungSAILMontreal/TinyRecursiveModels
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Less is More: Recursive Reasoning with Tiny Networks
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Háttér
Tiny Recursive Model (TRM-Att) ki lett adva által Samsung SAIT AI Lab, az országban rögzítve mint Korea (Republic of), alatt October 2025. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Language, Vision, Multimodal, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering, Visual puzzles.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Hogyan lett betanítva
A képzés futás körülbelül 3.1 × 10²⁰ FLOP, hardveren rögzítve NVIDIA H100 SXM5 80GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
Tiny Recursive Model (TRM-Att) — gyakori kérdések
Tiny Recursive Model (TRM-Att)— Ki készítette ezt?
Kiadta Samsung SAIT AI Lab, alapján Korea (Republic of), egy szervezet, amelyet kategorizáltak mint industry.
Tiny Recursive Model (TRM-Att)— Mikor adták ki?
Kibocsátották a October 2025.
Tiny Recursive Model (TRM-Att)— Mire használják?
Működik a területen a Language, Vision, Multimodal, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Question answering, Visual puzzles. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
Tiny Recursive Model (TRM-Att)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.1 × 10²⁰ FLOP, hardveren rögzítve NVIDIA H100 SXM5 80GB. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
Tiny Recursive Model (TRM-Att)— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
Tiny Recursive Model (TRM-Att)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Tiny Recursive Model (TRM-Att)— Hány paramétere van?
Paraméterszáma 7M. 7M. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..