三星SAIL蒙特利尔实验室的研究团队最近发表了题为《Less is More: Recursive Reasoning with Tiny Networks》的论文，提出了一种名为Tiny Recursive Model（TRM）的创新递归推理架构。

这项研究证明，在复杂推理任务中，小型神经网络同样能够超越大型语言模型的表现。

TRM仅使用700万参数和两层神经网络结构，就在多项高难度测试中明显优于DeepSeek R1、Gemini 2.5 Pro、O3-mini等主流模型。

在架构设计上，TRM部分变体甚至放弃了自注意力机制（仅限于TRM-MLP变体；TRM-Att仍保留自注意力）。论文指出，对于小规模固定输入任务，多层感知机反而能有效减少过拟合现象。此外，当上下文长度较短时，注意力机制反而会造成计算资源的浪费。在数独求解、复杂迷宫等特定任务中，采用纯MLP结构的TRM表现优于基于Transformer的模型。

如图所示：Tiny Recursive Model（TRM）通过在“答案y”和“潜在思考变量z”之间进行递归迭代更新，实现了小参数模型的多轮自我修正推理能力。

传统大模型通常依赖链式思维（Chain-of-Thought）生成推理步骤，但这种方式成本高昂且容易累积错误。

TRM则通过递归地更新“答案”和“潜在思考变量”，让模型在多次自我修正中逐步逼近正确答案。

论文总结道：“TRM以极小的规模实现了前所未有的泛化能力。”在ARC-AGI推理基准测试中，TRM分别取得了45%（ARC-AGI-1）与8%（ARC-AGI-2）的准确率，明显优于多数大型模型。在Sudoku-Extreme任务上，其准确率更是达到87.4%，刷新了该领域的性能纪录。

研究团队强调，这种架构的核心逻辑是“递归即深度”：深度递归可以替代层数增加，模型无需更多层级，只需通过反复思考就能提升推理能力。

推理机制重构：少即是多

TRM的设计源于对上一代分层推理模型（HRM）的深入反思。

HRM模型通过在不同频率下递归更新潜变量