Montreal, Kanada – Samsung’un Advanced Institute of Technology (SAIT) bünyesinde kıdemli araştırmacı Alexia Jolicoeur-Martineau, yapay zekâ alanında çarpıcı bir başarıya imza attı. Tanıttığı Tiny Recursion Model (TRM), sadece 7 milyon parametreye sahip olmasına rağmen, OpenAI’nin o3-mini ve Google’ın Gemini 2.5 Pro’su gibi devasa modelleri geride bırakabiliyor.

TRM, küçük boyutuna rağmen en zorlu mantıksal görevlerde üstün performans sergiliyor. Model, aldığı soru, ilk tahmin ve “latent reasoning” özelliğini kullanarak cevabını ve kendi mantığını 16 adımlık recursive bir süreçle sürekli geliştiriyor. İlginç bir şekilde, iki katmanlı versiyonu dört katmanlı olandan daha iyi genelleme sağlıyor; bu, küçük boyutun aşırı öğrenmeyi (modelin sadece eğitim verisine bağlı kalarak genelleme yapamaması) önlediğini gösteriyor.

Benchmarklarda Etkileyici Sonuçlar

TRM’nin performansı, Samsung’un iddiasını doğrular nitelikte:

• Sudoku-Extreme: %87,4 doğruluk (önceki HRM: %55)
• Maze-Hard: %85,3 doğruluk (HRM: %74,5)
• ARC-AGI-1: %44,6 doğruluk
• ARC-AGI-2: %7,8 doğruluk (Gemini 2.5 Pro: %4,9)

(Buradaki benchmarklar, yapay zekânın mantıksal akıl yürütme ve problem çözme becerisini ölçen testlerdir. ARC-AGI gibi testler, insan zekâsına benzer akıl yürütme yeteneğini ölçmeyi amaçlar.)

Bu başarılar, TRM’nin yalnızca daha küçük ve verimli bir model olmadığını, aynı zamanda dev LLM’lerle rekabet edebilecek bir zekâya sahip olduğunu ortaya koyuyor.

Enerji Verimliliği ve Sürdürülebilirlik

TRM, karmaşık matematiksel varsayımlara gerek duymadan, yalnızca back-propagation ile recursive sürecinden öğreniyor. Bu, hem parametre hem de enerji açısından büyük tasarruf sağlıyor.

Samsung’un bu çalışması, yapay zekâ geliştirmede “daha büyük daha iyi” anlayışına meydan okuyor ve küçük, akıllı ve verimli modellerin gelecekteki AI araştırmalarında önemli bir rol oynayacağını gösteriyor.