微小递归模型（TRM）在ARC-AGI上的结果 - ARC-AGI-1: 40%，$1.76/任务 - ARC-AGI-2: 6.2%，$2.10/任务 感谢@jm_alexia为社区贡献TRM，这是一项基于@makingAGI的HRM的优秀、开源且全面的研究。

感谢 @k_schuerholt 为 ARC Prize 复制这些结果，这些结果基于他之前的 HRM 分析。 我们复制的模型检查点和复制说明可在 @huggingface 上获得。

我们的笔记： - TRM 的运行时间比 HRM 更长，尽管它更小。我们的假设是这是因为反向传播在所有步骤中发生，而 HRM 只进行了部分步骤。 开放问题：TRM 更好是因为它更聪明吗？还是因为它训练时间更长？如果对两者都使用固定计算，性能会相同吗？

- TRM在增强数量上是否与HRM一样强大？ - 从线性层切换到注意力机制很有趣，但在较小的任务上，注意力的表现更差。为什么？ 这可能在计算上效率较低，但为什么在Maze上表现得那么差？

我们对社区的呼吁：在TRM中分离预训练和推理 目前，预训练和推理在TRM中是耦合在一起的。额外的任务批次需要重新进行预训练。 这个增强的TRM可能能够在Kaggle上运行，以参加2025年ARC奖。

复制成本： * ARC-AGI-1 公共：9小时52分钟6 * 2x8H100 * 每小时$8 = $157.86 * ARC-AGI-1 半私密：11小时23分钟 * 2x8H100 * 每小时$8 = $176.38 * ARC-AGI-1 公共：9小时35分钟 * 3x8H100 * 每小时$8 = $216.58 * ARC-AGI-2 半私密：10小时30分钟 * 3x8H100 * 每小时$8 = $252