一個擁有700萬參數的Tiny Recursion Model (TRM)正在超越比它大數千倍的主流推理模型，包括GPT-4和Claude，其關鍵在於從根本上改變了AI處理問題的方式。TRM捨棄了傳統的前饋架構（單次處理輸入），而是使用小型MLP模組迭代優化推理過程，本質上是用計算空間換取思考時間。該模型在ARC-AGI基準測試等新問題上取得了突破，在這些測試中，訓練資料的記憶化毫無用處。

這挑戰了產業十年來對規模化的執迷——即智慧只能透過更大的模型、更多參數和資料中心級別的訓練來實現的信念。像GPT-4這樣的當前推理模型之所以失敗，是因為它們本質上是token預測引擎，必須堅持其初始推理路徑，經常將早期錯誤滾雪球般放大成自信的幻覺。它們擅長適應已知解決方案，但在真正的新穎推理方面表現糟糕，暴露了它們依賴模式匹配而非邏輯推理的本質。

這一時機與整個產業更廣泛的效率推進相吻合。Alibaba的QwQ-32B最近證明，一個320億參數的模型可以匹敵頂級競爭對手，同時比DeepSeek的R1減少98%的記憶體需求。中國研究人員展示了強化學習如何使中等規模模型能夠與大規模mixture-of-experts架構競爭。與此同時，像DeepSpeed這樣的公司正在建構完整的壓縮庫，使大型模型更易於部署。

對開發者而言，這表明當前的模型選擇策略可能是錯誤的。與其預設選擇最大可用模型，獲勝策略可能是具有迭代推理能力的較小模型——特別是對於需要真正問題解決而非模式識別的應用。這可能大幅降低推理成本，同時提高邏輯一致性。