Ako model s 7 miliónmi parametrov prekonáva špičkové AI modely

Úvod

Svet umelej inteligencie dlhé roky fungoval na základnej domnienke: väčšie je lepšie. Väčšie modely s viac parametrami, viac dátami a väčším výpočtovým výkonom neustále prekonávali menšie modely. Priekopnícky výskum spoločnosti Samsung však túto konvenčnú múdrosť spochybnil spôsobom, ktorý môže zásadne zmeniť pohľad na návrh a efektivitu AI modelov. Malá neurónová sieť so 7 miliónmi parametrov—len zlomok veľkosti špičkových modelov ako GPT-4, Gemini 2.5 Pro alebo DeepSeek—dosahuje špičkový výkon v najnáročnejších benchmarkoch uvažovania v umelej inteligencii. Tento pozoruhodný úspech nie je výsledkom len väčšieho množstva dát alebo výpočtových zdrojov. Predstavuje zásadné prehodnotenie toho, ako neurónové siete riešia zložité úlohy prostredníctvom techniky zvanej rekurzívne hierarchické uvažovanie v kombinácii s hlbokým dozorom. V tomto komplexnom sprievodcovi preskúmame, ako tento malý model funguje, prečo je taký efektívny a čo znamená pre budúcnosť vývoja a nasadzovania AI.

Pochopenie limitov dnešných veľkých jazykových modelov

Skôr než oceníme inováciu modelu Tiny Recursive Model, musíme pochopiť, prečo veľké jazykové modely majú problém s komplexnými úlohami uvažovania. Moderné jazykové modely ako GPT-4, Claude či Gemini fungujú na základnom princípe: predpovedajú ďalší token v sekvencii na základe predchádzajúcich tokenov. Tento autoregresívny prístup je mimoriadne efektívny pre úlohy ako preklad, sumarizácia či tvorba textu. Pri zložitých úlohách vyžadujúcich viacero krokov logickej dedukcie, splnenie obmedzení alebo abstraktné rozpoznávanie vzorov sa však ukazujú zásadné limity. Hlavný problém spočíva v tom, že jediná nesprávne predpovedaná hodnota môže znehodnotiť celú odpoveď. Predstavte si riešenie komplikovanej matematickej úlohy: ak model spraví chybu v prvom kroku, všetky ďalšie kroky strácajú význam. Tento problém sa exponenciálne zhoršuje s rastúcou zložitosťou úloh. Navyše, veľké jazykové modely v skutočnosti “neuvažujú” ako ľudia. Vykonávajú komplexné rozpoznávanie vzorov na základe trénovacích dát, nie skutočné logické odvodzovanie. Pri nových problémoch, ktoré presahujú ich trénovacie dáta, často úplne zlyhávajú. Preto aj najvyspelejšie modely zlyhávajú v benchmarkoch ako ARC AGI (Abstraction and Reasoning Corpus), ktoré špecificky overujú schopnosť riešiť nové úlohy vyžadujúce abstraktné myslenie namiesto rozpoznávania vzorov.

Vývoj uvažovacích techník v AI

Výskumná komunita AI vyvinula viacero techník na riešenie limitov uvažovania veľkých jazykových modelov, každá s vlastnými silnými aj slabými stránkami. Najznámejšia je chain-of-thought prompting, technika, ktorá sa stala bežnou súčasťou moderných AI systémov. Chain-of-thought povzbudzuje model, aby pred konečnou odpoveďou generoval krok za krokom svoje uvažovanie. Namiesto okamžitého záveru je model vyzvaný “premýšľať” o probléme, vytvárať medzičlánky uvažovania, ktoré vedú k odpovedi. Tento prístup výrazne zlepšuje výkonnosť, štúdie ukazujú, že chain-of-thought zvyšuje úspešnosť v uvažovacích úlohách. Má však aj podstatné nevýhody. Po prvé, je výpočtovo náročný—viac krokov uvažovania znamená spracovanie omnoho viac tokenov, čo zvyšuje čas a náklady na inferenciu. Po druhé, vyžaduje kvalitné tréningové dáta s uvažovaním, ktoré je drahé a časovo náročné vytvoriť. Po tretie, a možno najpodstatnejšie, chain-of-thought je krehký. Vygenerované uvažovanie môže byť nesprávne, a ak je chybné, konečná odpoveď je nesprávna tiež. Model v skutočnosti nekontroluje svoje uvažovanie; len generuje vierohodné vysvetlenia, ktoré nemusia byť logicky správne. Ďalšou populárnou technikou je pass-at-K sampling, kde model vygeneruje viacero kandidátnych odpovedí a vyberie najlepšiu. Ak sa model opýtať “Koľko je 5 krát 5?”, môže vygenerovať desať rôznych odpovedí a vybrať najpresnejšiu. Aj keď to zvyšuje presnosť, je to opäť výpočtovo náročné a nerieši základný problém: model stále neuvažuje, len generuje viac predikcií a dúfa, že niektorá bude správna. Tieto techniky patria pod tzv. “test-time compute scaling”—zvyšovanie výpočtového výkonu pri inferencii pre lepšie odpovede. Hoci efektívne, tento prístup je zásadne limitovaný tým, že model stále nevykonáva skutočné uvažovanie, len generuje viac predikcií a dúfa v lepší výsledok.

ARC AGI Benchmark: Prečo je dôležitý

Aby sme pochopili význam úspechu Tiny Recursive Model, musíme pochopiť aj samotný benchmark: ARC AGI (Abstraction and Reasoning Corpus). ARC AGI bol vytvorený na overenie schopnosti skutočného abstraktného uvažovania. Na rozdiel od benchmarkov zameraných na znalosti alebo rozpoznávanie vzorov, ARC AGI obsahuje nové vizuálne hádanky, kde je nutné identifikovať abstraktný vzor a aplikovať ho na nové situácie. Benchmark pozostáva z úloh, kde model dostane niekoľko príkladov vstupov a výstupov a musí zistiť pravidlo či transformáciu a následne ju aplikovať na nové vstupy. Ide o úlohy, ktoré nemožno vyriešiť len memorovaním alebo rozpoznávaním vzorov z trénovacích dát; vyžadujú skutočné uvažovanie a schopnosť zovšeobecňovať abstraktné koncepty. Od predstavenia benchmarku ARC AGI v roku 2019 sa stal zlatým štandardom pre hodnotenie schopností uvažovania AI systémov. Ani po šiestich rokoch pokroku v jazykových modeloch sa ešte nedosiahla ľudská úroveň presnosti na ARC AGI. Je to pripomienka, že aj najmodernejšie AI systémy majú problém s úlohami, ktoré ľudia zvládajú pomerne jednoducho. Gemini 2.5 Pro, jeden z najvyspelejších modelov, dosahuje len 4,9 % presnosť na ARC AGI 2 aj pri výraznom test-time compute. Novší benchmark ARC AGI 3 je ešte náročnejší, špičkové modely na ňom dosahujú minimálny pokrok. Práve v tomto kontexte sú výsledky Tiny Recursive Model mimoriadne pozoruhodné. Model so 7 miliónmi parametrov—menej ako 0,01 % parametrov Gemini 2.5 Pro—dosahuje 45 % presnosť na ARC AGI 1 a 8 % na ARC AGI 2, čím výrazne prekonáva tieto obrovské modely.

Čo je rekurzívne hierarchické uvažovanie?

Kľúčovou inováciou Tiny Recursive Model je technika zvaná rekurzívne hierarchické uvažovanie, ktorá predstavuje zásadne odlišný prístup k riešeniu zložitých problémov v neurónových sieťach. Pomôže nám analógia: predstavte si, že riešite ťažkú sudoku úlohu. Nevyriešite ju jedným ťahom, ale spravíte odhad, skontrolujete, či dáva zmysel vzhľadom na obmedzenia, a ak nie, opravíte ho a skúšate znovu. Tento cyklus absolvujete viackrát, vždy zdokonaľujete riešenie na základe predchádzajúcich pokusov a uvažovania o zlyhaniach. Práve tento proces postupného zlepšovania je podstatou rekurzívneho hierarchického uvažovania. Model si udržiava dve kľúčové informácie: svoj aktuálny najlepší odhad riešenia a záznam uvažovania, ktorý k nemu viedol. V každom kroku rekurzie model aktualizuje obe tieto informácie. Pozrie sa na svoj odhad, premyslí si uvažovanie, ktoré k nemu viedlo, a vygeneruje lepší odhad na základe tohto uvažovania. Potom celý proces zopakuje, pričom vstupom ďalšej iterácie je zlepšený odhad a aktualizovaný záznam uvažovania. Pôvodný model hierarchického uvažovania (HRM), ktorý inšpiroval túto prácu, používal dve samostatné neurónové siete pracujúce na rôznych “rýchlostiach” či hierarchiách. Biologickým zdôvodnením bolo, že mozog človeka funguje na rôznych časových frekvenciách—niektoré procesy sú rýchle a reaktívne, iné pomalšie a rozvážnejšie. Dve siete v HRM to mali napodobňovať: jedna rýchla, druhá pomalá, a obe spolu iterujú v slučke. Výskumníci spoločnosti Samsung, ktorí vyvinuli Tiny Recursive Model, však túto biologickú motiváciu spochybnili. Paralele medzi umelými neurónovými sieťami a mozgom sú síce zaujímavé, no nemusia vysvetľovať, prečo je konkrétne architektonické rozhodnutie efektívne. Originálny HRM článok sa opieral o biologické argumenty a zložité matematické dôkazy (fixed-point theorems), no neposkytol jasné ablačné štúdie o tom, ktoré časti prispievajú k výkonu. Výskumníci si položili jednoduchú otázku: prečo dve siete? Prečo nie jedna? Prečo nie tri alebo štyri? A ešte zásadnejšie, prečo architektúru zdôvodňovať biológiou a nie empirickými výsledkami?

Tiny Recursive Model: Zjednodušenie cez inováciu

Odpoveďou na tieto otázky bol vývoj Tiny Recursive Model (TRM), ktorý si ponecháva základnú myšlienku rekurzívneho uvažovania, no odstraňuje zbytočnú zložitosť a biologickú motiváciu. Namiesto dvoch stredne veľkých sietí na rôznych hierarchiách TRM používa jedinú malú sieť so dvoma vrstvami. Model je mimoriadne jednoduchý—pseudokód TRM sa zmestí na jednu obrazovku. Táto jednoduchosť nie je obmedzením, ale výhodou. Odstránením zbytočnej zložitosti sa výskumníci mohli sústrediť na to, čo je podstatné: samotný proces rekurzívneho zlepšovania. Kľúčovým poznatkom je, že model potrebuje udržiavať dve informácie: aktuálny odhad a záznam uvažovania. Nemusia to byť rozdielne hierarchie alebo časové frekvencie; sú to jednoducho dva typy informácií, ktoré model potrebuje sledovať. V každom kroku rekurzie model vezme tieto informácie ako vstup, spracuje ich malou dvojvrstvovou sieťou a vygeneruje aktualizovaný odhad aj záznam uvažovania. Tento proces sa opakuje viackrát, pričom každá iterácia môže riešenie zlepšiť. Krása tohto prístupu je v tom, že poskytuje tzv. “virtuálnu hĺbku”. Hoci má sieť len dve vrstvy, vďaka viacnásobnej rekurzii model efektívne získava omnoho väčšiu hĺbku. Je to, akoby model simuloval omnoho hlbšiu sieť iteráciami, nie ďalšími vrstvami. Toto je zásadný poznatok, ktorý spochybňuje tradičné presvedčenie, že hlbšie siete sú vždy lepšie. V klasickom návrhu neurónových sietí pridávame vrstvy na zvýšenie kapacity modelu pre zložité funkcie. Tiny Recursive Model však ukazuje, že podobný alebo lepší výsledok možno dosiahnuť tým, že sieť zostane plytká, ale zvýši sa počet rekurzií. Ide o zásadne odlišný spôsob uvažovania o architektúre modelu.

Hlboký dozor: Učenie v každom kroku

Druhou kľúčovou inováciou Tiny Recursive Model je technika zvaná hlboký dozor (deep supervision). Zatiaľ čo rekurzívne uvažovanie poskytuje mechanizmus iteratívneho zlepšovania, hlboký dozor zabezpečuje efektívne učenie v každej iterácii. Pri tradičnom učení s dozorom model spraví predikciu a dostane spätnú väzbu len o finálnom výstupe. Ak je odpoveď nesprávna, model sa učí, že celý proces bol zlý, no nevie, ktorý medzi krok bol problémový. Hlboký dozor to mení tým, že poskytuje dozor (spätnú väzbu) v každom medzi kroku uvažovania. Namiesto kontroly, či je len finálna odpoveď správna, model dostáva spätnú väzbu v každom kroku rekurzie. To znamená, že sa model učí nielen, či je konečný výsledok správny, ale či každý medzi krok jeho uvažovania smeruje správne. Vplyv hlbokého dozoru na výkon je dramatický. V prvých experimentoch použitie hlbokého dozoru zdvojnásobilo presnosť oproti jednokrokovému dozoru, z 19 % na 39 % presnosti na niektorých úlohách. Je to obrovské zlepšenie jedinou architektonickou zmenou. Hlboký dozor je tak efektívny preto, lebo poskytuje omnoho bohatšie signály na učenie. Ak model dostáva spätnú väzbu len na finálnu odpoveď, musí spätnou propagáciou zistiť, ktorý medzi krok spôsobil chybu. To je náročný problém priradenia zásluh, najmä v hlbokých sieťach. Priamym dozorom v každom kroku dostáva model jasnú spätnú väzbu o správnosti medzi krokov, čo výrazne uľahčuje učenie správneho správania. Navyše, hlboký dozor pomáha modelu vyhnúť sa uviaznutiu v lokálnych optimách. Ak sa model vydá zlou cestou už na začiatku, hlboký dozor na to okamžite upozorní a poskytne spätnú väzbu na opravu, namiesto toho, aby sa chyba šírila viacerými krokmi.

Výsledky: Čísla, ktoré spochybňujú konvenčné presvedčenia

Zlepšenia výkonu dosiahnuté Tiny Recursive Model sú naozaj pozoruhodné. Na benchmarku Sudoku Extreme model zvýšil presnosť z 55 % na 87 %. Na Maze Hard z 75 % na 85 %. Na ARC AGI 1 dosiahol 45 % oproti 40 % predchádzajúceho prístupu. Na ARC AGI 2 dosiahol 8 % oproti 5 %. Aj keď zlepšenie na ARC AGI 2 vyzerá skromne—z 5 % na 8 %—predstavuje to relatívne 60 % navýšenie, čo je v tejto oblasti výnimočné. Ešte dôležitejšie sú tieto výsledky vo vzťahu k veľkosti modelu. Tiny Recursive Model má len 7 miliónov parametrov. Pre porovnanie, Gemini 2.5 Pro, DeepSeek R1 aj Claude 3.7 majú stovky miliárd parametrov. Tiny Recursive Model dosahuje konkurenčný alebo lepší výkon na týchto benchmarkoch pri menej než 0,01 % parametrov špičkových modelov. Porovnáte-li pomer výkonu k počtu parametrov, je Tiny Recursive Model o niekoľko rádov efektívnejší. To má zásadné dôsledky pre nasadzovanie AI. Menšie modely sú lacnejšie na prevádzku, vyžadujú menej výpočtových zdrojov a možno ich nasadiť na edge zariadeniach alebo v prostrediach s obmedzenými zdrojmi. Ak model so 7 miliónmi parametrov dosiahne výkon porovnateľný alebo lepší ako modely so stovkami miliárd parametrov, otvára to úplne nové možnosti pre AI aplikácie. Jediný špičkový model, ktorý Tiny Recursive Model prekonal na týchto benchmarkoch, bol Gro for Thinking, ktorý dosiahol výrazne lepšie výsledky. Gro for Thinking je však obrovský model s viac ako biliónom parametrov—viac ako 140 000-krát väčší než TRM. Aj po zohľadnení veľkosti je efektivita Tiny Recursive Model pozoruhodná.

Prečo rekurzívne uvažovanie funguje: Mechanizmus za “mágia”

Pochopenie efektivity rekurzívneho uvažovania si vyžaduje zamyslieť sa nad povahou zložitých uvažovacích úloh. Mnoho náročných úloh má špecifickú štruktúru: treba nájsť riešenie spĺňajúce viaceré obmedzenia alebo objaviť vzor vysvetľujúci zadané pozorovania. Takéto úlohy sa nedajú vyriešiť jedným priechodom neurónovou sieťou. Vyžadujú iteratívne zlepšovanie: vygenerujete kandidátne riešenie, overíte ho podľa obmedzení či pozorovaní, nájdete chyby a opravíte ich. Toto presne umožňuje rekurzívne uvažovanie. Model si udržiava odhad aj záznam uvažovania a iteratívne riešenie zdokonaľuje. Záznam uvažovania slúži ako pracovná pamäť, vďaka čomu si model pamätá, čo vyskúšal, čo fungovalo a čo nie. Je to zásadne odlišné od fungovania tradičných neurónových sietí, ktoré spracujú vstup sériou vrstiev a vydajú výstup—nemajú mechanizmus na opätovné prehodnotenie rozhodnutí alebo uchovanie záznamu uvažovania. Rekurzívne uvažovanie to mení zavedením explicitného mechanizmu iteratívneho zlepšovania a uchovávania uvažovacieho záznamu. To umožňuje modelu uvažovať podobne ako človek. Pri riešení náročnej úlohy človek tiež najprv navrhne riešenie, overí ho, nájde chyby, opraví ich a cyklus opakuje. Rekurzívne uvažovanie dáva túto možnosť aj neurónovým sieťam. Ďalší dôležitý poznatok je, že rekurzívne uvažovanie pôsobí ako regularizácia. Model je nútený udržiavať záznam uvažovania a riešenie zlepšovať iteratívne, čím je donútený učiť sa všeobecnejšie princípy použiteľné na nové problémy, namiesto memorovania vzorov z tréningových dát. To vysvetľuje, prečo Tiny Recursive Model tak dobre generalizuje na nové úlohy aj pri malom množstve tréningových dát.

FlowHunt a automatizácia komplexných uvažovacích workflowov

Dopady Tiny Recursive Model presahujú akademický výskum a smerujú k praktickým aplikáciám. Organizácie čoraz viac potrebujú automatizovať zložité uvažovacie úlohy—od analýzy dát, rozpoznávania vzorov po rozhodovanie a riešenie problémov. Tradične tieto úlohy vyžadovali buď ľudských expertov, alebo veľké, drahé AI modely. Tiny Recursive Model otvára nové možnosti ich efektívnej automatizácie. FlowHunt, platforma na automatizáciu AI workflowov, môže využiť tieto pokroky na vytváranie efektívnejších a cenovo dostupnejších riešení. Namiesto spoliehania sa na masívne modely s veľkou výpočtovou záťažou môže FlowHunt integrovať menšie, efektívnejšie modely ako Tiny Recursive Model do automatizovaných workflowov. To umožní organizáciám budovať inteligentné systémy, ktoré zvládnu zložité uvažovacie úlohy bez nákladov na prevádzku obrovských modelov. Napríklad workflow, ktorý potrebuje analyzovať zákaznícke dáta, identifikovať vzory a generovať odporúčania, by bol s tradičným veľkým modelom drahý. S malým rekurzívnym modelom integrovaným do workflowu FlowHunt je rovnaká úloha realizovateľná za zlomok nákladov. Model môže iteratívne zdokonaľovať svoju analýzu, uchovávať záznam uvažovania vysvetľujúci odporúčania a poskytovať transparentnosť v rozhodovaní. To je mimoriadne cenné v oblastiach, kde je dôležitá vysvetliteľnosť, ako zdravotníctvo, financie či právo. Záznam uvažovania modelu poskytuje jasný prehľad o procese rozhodovania, čo uľahčuje jeho pochopenie a overenie. Navyše efektivita malých rekurzívnych modelov umožňuje nasadenie uvažovacích schopností na edge zariadeniach alebo v prostrediach s obmedzenými zdrojmi. Mobilná aplikácia tak môže obsahovať uvažovacie schopnosti, ktoré by predtým vyžadovali cloudové spracovanie. To otvára nové možnosti pre inteligentné aplikácie fungujúce offline alebo s minimálnou konektivitou.

Výzva škálovacím zákonom: Paradigma v AI vývoji

Úspech Tiny Recursive Model spochybňuje jednu zo základných domnienok vývoja modernej AI: škálovacie zákony, ktoré určovali smerovanie odboru posledné desaťročie. Škálovacie zákony tvrdia, že výkon predvídateľne rastie so zväčšovaním modelu, množstva dát a výpočtových zdrojov. Väčší model je lepší. Viac dát je lepšie. Viac výpočtov je lepšie. Táto domnienka viedla k vývoju čoraz väčších modelov, pričom firmy investovali miliardy dolárov do trénovania modelov so stovkami miliárd až biliónmi parametrov. Tiny Recursive Model však naznačuje, že toto pravidlo môže byť v istých kontextoch neúplné alebo zavádzajúce. Použitím inej architektúry—rekurzívneho uvažovania s hlbokým dozorom—môže malý model dosiahnuť výkon porovnateľný alebo lepší ako masívne modely v určitých úlohách. To neznamená, že škálovacie zákony sú nesprávne; skôr to naznačuje, že k vysokej výkonnosti vedie viacero ciest a zväčšovanie modelu je len jednou z nich. To má zásadné dôsledky pre budúcnosť vývoja AI. Ak menšie modely dokážu dosiahnuť porovnateľný výkon vďaka architektonickým inováciám, môže to viesť k posunu v tom, ako sa AI systémy vyvíjajú a nasadzujú. Namiesto výlučného sústredenia sa na zväčšovanie modelov môže dôraz prejsť na hľadanie efektívnejších architektúr s výborným výkonom pri menšom počte parametrov. To by malo významné výhody pre životné prostredie, výpočtovú efektivitu aj dostupnosť. Tréning a prevádzka obrovských modelov si vyžaduje obrovské množstvo elektriny a výpočtových zdrojov. Ak dosiahneme podobný výkon s modelmi o niekoľko rádov menšími, zníži sa environmentálny dopad vývoja AI a AI bude dostupnejšia aj pre organizácie s obmedzenými zdrojmi. Tiny Recursive Model tiež naznačuje, že vzťah medzi veľkosťou modelu a generalizáciou môže byť zložitejší, než sa predpokladalo. Tradične sa považuje, že väčšie modely lepšie generalizujú vďaka väčšej kapacite učiť sa zložité vzory. Tiny Recursive Model však ukazuje, že menšie modely môžu generalizovať lepšie, ak sú navrhnuté s vhodnými induktívnymi predsudkami. Zabudovaním iteratívneho zlepšovania a udržiavaním záznamu uvažovania je model nútený učiť sa všeobecnejšie riešenia. Ide o príklad, kedy je architektonická inovácia dôležitejšia než samotná veľkosť modelu.

Princíp jednoduchosti: Prečo je menej viac

Jedným z najvýraznejších aspektov Tiny Recursive Model je jeho jednoduchosť. Model používa len dve vrstvy a vysoký výkon dosahuje cez rekurzívne zlepšovanie, nie architektonickú zložitosť. Táto jednoduchosť je zámerná, založená na empirických poznatkoch. Výskumníci zistili, že pridanie ďalších vrstiev v skutočnosti znižuje generalizáciu kvôli preučeniu. Je to protiintuitívne zistenie, ktoré spochybňuje tradičný návrh neurónových sietí. Zvyčajne považujeme hlbšie siete za výkonnejšie a schopné učiť sa komplexnejšie funkcie. Tiny Recursive Model však ukazuje, že pri uvažovacích úlohách je hĺbka dosiahnutá rekurziou efektívnejšia než hĺbka dosiahnutá ďalšími vrstvami. Prečo je to tak? Jedným vysvetlením je, že ďalšie vrstvy zvyšujú schopnosť modelu memorovať konkrétne vzory z tréningových dát, čo vedie k preučeniu. Ak je sieť plytká, ale počet rekurzií vysoký, model je nútený učiť sa generalizovateľné riešenia. Každý krok rekurzie pracuje s rovnakou dvojvrstvovou sieťou, a tak sa musí naučiť vykonávať užitočné výpočty použiteľné iteratívne. Toto obmedzenie núti model učiť sa základné princípy, nie konkrétne vzory. Ďalšie vysvetlenie súvisí s povahou uvažovacích úloh, ktoré často vyžadujú iteratívne vylepšovanie a uspokojovanie obmedzení. Plytká sieť aplikovaná opakovane je pre takýto typ problémov vhodná, lebo sa sústreďuje na inkrementálne zlepšovanie riešenia. Hlboká sieť by sa pokúšala vyriešiť problém jedným priechodom, čo je menej efektívne pre iteratívne úlohy. Jednoduchosť Tiny Recursive Model má aj praktické výhody. Jednoduché modely sú ľahšie pochopiteľné, laditeľné aj upraviteľné. Ak chcete pochopiť rozhodnutie modelu, môžete krok po kroku sledovať jeho uvažovanie. Ak chcete model upraviť pre nový typ úlohy, môžete cielene meniť architektúru alebo tréningový postup. To je rozdiel oproti masívnym modelom s miliardami parametrov, ktoré sú v podstate “čiernymi skrinkami”. Princíp “menej je viac” platí nielen pre architektúru modelu. Výskumníci zistili, že model nepotrebuje zložité matematické dôkazy či biologické zdôvodnenia na efektívne fungovanie. Originálny HRM sa opieral o fixed-point theorem a biologické argumenty o fungovaní mozgu. Tiny Recursive Model funguje bez týchto teoretických op