Tiny Recursive Model (TRM-Att)
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Samsung SAIT AI Lab
- Organisatietype
- Industry
- Land
- Korea (Republic of)
- Gepubliceerd
- 6 October 2025
- Auteurs
- Alexia Jolicoeur-Martineau
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language, Vision, Multimodal
- Taak
- Language modeling/generation, Question answering, Visual puzzles
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 7M
- Training gegevens
- tokens
7M
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 3.1 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
989400000000000 FLOP/GPU/sec * 72 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 3.07742976e20 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA H100 SXM5 80GB
- Gebruikte chips
- 4
- Kloktijd
- 72 hours
- Stroomverbruik
- 5.5 kW
"Experiments on ARC-AGI were ran for around 3 days with 4 H100 with 80Gb of RAM."
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Open source
MIT license https://github.com/SamsungSAILMontreal/TinyRecursiveModels
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Less is More: Recursive Reasoning with Tiny Networks
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Achtergrond
Tiny Recursive Model (TRM-Att) werd gepubliceerd door Samsung SAIT AI Lab, in het land geregistreerd als Korea (Republic of), tijdens October 2025. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Language, Vision, Multimodal, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Question answering, Visual puzzles.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Hoe het getraind werd
De training run verbruikte ongeveer 3.1 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
Tiny Recursive Model (TRM-Att) — veelgestelde vragen
Tiny Recursive Model (TRM-Att)— wie heeft het gemaakt?
Het werd gepubliceerd door Samsung SAIT AI Lab, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als industry.
Tiny Recursive Model (TRM-Att)— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2025.
Tiny Recursive Model (TRM-Att)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, Vision, Multimodal, en wordt geregistreerd als het afhandelen van language modeling/generation, Question answering, Visual puzzles. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
Tiny Recursive Model (TRM-Att)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.1 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
Tiny Recursive Model (TRM-Att)— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Tiny Recursive Model (TRM-Att)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Tiny Recursive Model (TRM-Att)— hoeveel parameters heeft het?
Het heeft een parameter telling van 7M. 7M. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.