Tiny Recursive Model (TRM-Att)
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Samsung SAIT AI Lab
- Typ organizacji
- Industry
- Kraj
- Korea (Republic of)
- Opublikowany
- 6 October 2025
- Autorzy
- Alexia Jolicoeur-Martineau
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language, Vision, Multimodal
- Zadanie
- Language modeling/generation, Question answering, Visual puzzles
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 7M
- Dane treningowe
- tokens
7M
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 3.1 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
989400000000000 FLOP/GPU/sec * 72 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 3.07742976e20 FLOP
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA H100 SXM5 80GB
- Zastosowane chipy
- 4
- Czas rzeczywisty
- 72 hours
- Pobór mocy
- 5.5 kW
"Experiments on ARC-AGI were ran for around 3 days with 4 H100 with 80Gb of RAM."
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open source
MIT license https://github.com/SamsungSAILMontreal/TinyRecursiveModels
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Less is More: Recursive Reasoning with Tiny Networks
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Tło
Tiny Recursive Model (TRM-Att) został opublikowany przez Samsung SAIT AI Lab, w kraju zapisanym jako Korea (Republic of), podczas October 2025. Organizacja publikująca jest klasyfikowana jako industry.
Działa w dziedzinie Language, Vision, Multimodal, i jest zapisany jako wykonujący zadanie language modeling/generation, Question answering, Visual puzzles.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Jak to zostało wytrenowane
Trening zajmował około 3.1 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
Tiny Recursive Model (TRM-Att) — częste pytania
Tiny Recursive Model (TRM-Att)— kto to stworzył?
Zostało opublikowane przez Samsung SAIT AI Lab, oparty na Korea (Republic of), organizacja sklasyfikowana jako industry.
Tiny Recursive Model (TRM-Att)— kiedy to zostało wydane?
Zostało opublikowane w October 2025.
Tiny Recursive Model (TRM-Att)— do czego to służy?
Działa w dziedzinie Language, Vision, Multimodal, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Question answering, Visual puzzles. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Tiny Recursive Model (TRM-Att)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.1 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Tiny Recursive Model (TRM-Att)— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Tiny Recursive Model (TRM-Att)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Tiny Recursive Model (TRM-Att)— ile ma parametrów?
Ma liczbę parametrów równą 7M. 7M. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.