Samsung'un yapay zeka alanındaki çalışmaları son sürat devam ederken, şirketin geliştirdiği minik bir yapay zeka modeli, devasa dil modellerini geride bırakmayı başardı. Bu gelişme, özellikle yapay zekanın geleceği ve yetenekleri hakkında önemli ipuçları veriyor.
Samsung'un Yeni Minik Özyinelemeli Modeli (TRM)
Samsung, "Less is More: Recursive Reasoning with Tiny Networks" başlıklı bir makaleyle yeni Minik Özyinelemeli Modeli'nin (TRM) mimarisini duyurdu. Bu model, yalnızca iki katmandan oluşuyor ve öne çıkan özellikleri şöyle sıralanıyor:
- TRM, yalnızca 7 milyon parametreye sahip. Bu, milyarlarca parametreye sahip büyük dil modellerine kıyasla oldukça mütevazı bir rakam.
- Model, kendi çıktısını bir sonraki adımlarını belirlemek için kullanıyor. Bu sayede kendi kendini iyileştiren bir geri bildirim döngüsü oluşturuyor.
- Her çıktıyı tekrarlanan akıl yürütme sürecinden geçirerek, ilgili bellek veya hesaplama maliyetleri olmadan çok daha derin bir mimariyi simüle edebiliyor.
- Her tekrarlanan döngüde, model giderek daha iyi tahminler veya sonuçlar üretebiliyor.
Samsung'un bu yaklaşımı, bir insanın kendi taslağını tekrar tekrar okuyarak hataları düzelttiği sürece benziyor. Bu yöntem, geleneksel yaklaşımlardan daha üstün. Geleneksel büyük dil modelleri, mantık problemlerinde tek bir adım hatasıyla tüm akıl yürütmelerini çökertebiliyor. Zincirleme düşünce gibi yöntemler yardımcı olsa da, hala oldukça kırılgan kalabiliyor.
Basit Tutmak Önemli
Samsung, modelin katmanlarını artırmayı denediğinde, aşırı öğrenme (overfitting) nedeniyle genelleme yeteneğinin azaldığını gördü. Bunun yerine, katmanları azaltıp tekrarlama sayısını artırmak, TRM'nin genel performansını önemli ölçüde iyileştirdi.
Sonuçlar Dikkat Çekici
Yapılan testlerde TRM, şu başarıları elde etti:
- Sudoku-Extreme testinde %87,4 doğruluk oranı (Hiyerarşik Akıl Yürütme Modelleri'nin %55'ine kıyasla).
- Maze-Hard bulmacalarında %85 doğruluk oranı.
- ARC-AGI-1 testinde %45 doğruluk oranı.
- ARC-AGI-2 testinde %8 doğruluk oranı.
Samsung'un TRM'si, parametrelerinin çok küçük bir oranını kullanmasına rağmen, DeepSeek R1, Google'ın Gemini 2.5 Pro ve OpenAI'nin o3-mini gibi çeşitli büyük dil modellerinin performansını ya geride bırakıyor ya da yakından eşleşiyor. Bu durum, yapay zeka alanında daha verimli ve küçük modellerin geliştirilebileceğinin önemli bir kanıtı olarak öne çıkıyor.
