Tiny Recursive Model (TRM-Att)
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Samsung SAIT AI Lab
- Tipo di organizzazione
- Industry
- Paese
- Korea (Republic of)
- Pubblicato
- 6 October 2025
- Autori
- Alexia Jolicoeur-Martineau
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language, Vision, Multimodal
- Compito
- Language modeling/generation, Question answering, Visual puzzles
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 7M
- Dati di addestramento
- tokens
7M
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 3.1 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
989400000000000 FLOP/GPU/sec * 72 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 3.07742976e20 FLOP
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA H100 SXM5 80GB
- Chip utilizzati
- 4
- Tempo di parete
- 72 hours
- Consumo energetico
- 5.5 kW
"Experiments on ARC-AGI were ran for around 3 days with 4 H100 with 80Gb of RAM."
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Open source
MIT license https://github.com/SamsungSAILMontreal/TinyRecursiveModels
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Less is More: Recursive Reasoning with Tiny Networks
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Sfondo
Tiny Recursive Model (TRM-Att) è stato pubblicato da Samsung SAIT AI Lab, nel paese registrato come Korea (Republic of), durante October 2025. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Language, Vision, Multimodal, ed è registrato come eseguire il compito di language modeling/generation, Question answering, Visual puzzles.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il run di addestramento ha consumato circa 3.1 × 10²⁰ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Tiny Recursive Model (TRM-Att) — domande comuni
Tiny Recursive Model (TRM-Att)— chi l'ha creato?
È stato pubblicato da Samsung SAIT AI Lab, basato su Korea (Republic of), un'organizzazione categorizzata come industry.
Tiny Recursive Model (TRM-Att)— quando è stato rilasciato?
È stato pubblicato in October 2025.
Tiny Recursive Model (TRM-Att)— A cosa serve?
Funziona nel dominio di Language, Vision, Multimodal, e viene registrato come gestire il compito di language modeling/generation, Question answering, Visual puzzles. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Tiny Recursive Model (TRM-Att)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.1 × 10²⁰ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Tiny Recursive Model (TRM-Att)— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Tiny Recursive Model (TRM-Att)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Tiny Recursive Model (TRM-Att)— quanti parametri ha?
Ha un numero di parametri di 7M. 7M. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.