Un nuovo studio di una ricercatrice diSamsung AImostra come unapiccola rete neuralepossa superare i grandi modelli linguistici (LLM) nei compiti di ragionamento complesso.
Nel panorama dell’intelligenza artificiale, il mantra dominante è stato finora“più grande è, meglio è”. I colossi tecnologici hanno investito miliardi per sviluppare modelli sempre più vasti, ma secondoAlexia Jolicoeur-MartineaudelSamsung SAIL Montréal, esiste una strada radicalmente diversa — e molto più efficiente — rappresentata dalTiny Recursive Model (TRM).
Consolo 7 milioni di parametri, meno dello 0,01% rispetto ai modelli più grandi, TRM ha ottenuto risultati allo stato dell’arte in test di intelligenza tra i più difficili, comeARC-AGI. Il lavoro di Samsung mette in discussione l’assunto che la scala sia l’unico modo per far progredire le capacità dell’AI, proponendo un approccio più sostenibile e ottimizzato in termini di parametri.
Superare i limiti della scala
I grandi modelli linguistici eccellono nella generazione di testi naturali, ma spesso si rivelano fragili nel ragionamento multi-step. Poiché generano risposte parola per parola, un singolo errore iniziale può compromettere l’intera catena logica.
Metodi come ilChain-of-Thought, in cui il modello “pensa a voce alta”, cercano di ridurre questo rischio, ma sono costosi in termini computazionali, richiedono grandi quantità di dati di ragionamento e non sempre producono logiche impeccabili.
Samsung ha costruito il proprio modello partendo da una base chiamataHierarchical Reasoning Model (HRM), che utilizzava due piccole reti neurali in modo ricorsivo per affinare una risposta. Sebbene promettente, HRM era complesso e basato su ipotesi matematiche difficilmente applicabili.
TRM, invece,usa una sola rete— minuscola ma efficiente — che migliora ricorsivamente sia il proprio ragionamento interno sia la risposta proposta.
Il modello riceve la domanda, una risposta iniziale e una rappresentazione latente del ragionamento. Attraverso più cicli (fino a 16), elabora e corregge progressivamente le proprie conclusioni, arrivando a soluzioni più accurate con un uso minimo di risorse.
Sorprendentemente, la ricerca ha scoperto che una rete consolo due stratigeneralizza meglio di una con quattro: una riduzione che evita l’overfittinge migliora la capacità di adattamento.
Un approccio più semplice ed efficace
A differenza di HRM, TRMabbandona le complesse giustificazioni matematichebasate sui punti fissi. Invece, applica la retropropagazione (backpropagation) all’intero processo ricorsivo. Questo singolo cambiamento ha prodotto un salto enorme nelle prestazioni: l’accuratezza sul benchmarkSudoku-Extremeè passata dal56,5% all’87,4%.
TRM supera i benchmark con meno risorse
I risultati parlano da soli:
Sudoku-Extreme: 87,4% di accuratezza (vs 55% di HRM) con soli 1.000 esempi di training.
Maze-Hard(labirinti 30×30): 85,3% (vs 74,5% di HRM).
ARC-AGI, test di intelligenza artificiale generalizzata:
44,6% su ARC-AGI-1
7,8% su ARC-AGI-2
Superando HRM (27M parametri) e persino molti dei più grandi LLM del mondo:Gemini 2.5 Proottiene solo 4,9% su ARC-AGI-2.
Anche l’addestramento è stato reso più efficiente. Il meccanismoACT, che decide quando interrompere il perfezionamento di una risposta, è stato semplificato per eliminare passaggi computazionali superflui, senza comprometterne la qualità finale.
Un cambio di paradigma
La ricerca di Samsung rappresenta una sfida diretta all’attuale corsa alla grandezza dei modelli. Dimostra chel’intelligenza artificiale può essere resa più intelligente, non solo più grande.
Con architetture che ragionano e si autocorreggono, è possibile affrontare problemi estremamente complessi utilizzando una frazione delle risorse. Un approccio che potrebbe ridefinire il futuro dell’AI, rendendola più accessibile, sostenibile ed efficiente.