초소형 ai 모델 삼성(TRM 뜻, 성능 비교, 활용 가능성)

초소형 ai 모델 삼성 소식에서 주목받은 TRM은 작은 신경망을 반복 실행하며 퍼즐의 답을 개선하는 연구 모델이다. 약 700만 개의 매개변수로 특정 추론 평가에서 성과를 냈지만, 모든 대화와 업무를 처리하는 범용 챗봇을 뜻하지는 않는다. 여기서는 2025년 공개된 삼성 몬트리올 연구소의 TRM을 중심으로 설명한다. 같은 성능 수치라도 논문 발표와 별도 검증의 조건을 구분해야 하며, 작은 모델이라는 사실만으로 스마트폰 탑재나 전력 절감이 입증되는 것은 아니다. 모델의 뜻과 작동 방식, 성능을 읽는 기준과 활용 가능성을 정리한다.

 

초소형 ai 모델 삼성, TRM은 무엇일까?

TRM은 Tiny Recursive Model의 약자로, 초소형 재귀 모델이라는 의미다. 삼성 SAIL 몬트리올 소속 Alexia Jolicoeur-Martineau가 2025년 10월 6일 공개한 논문 『Less is More: Recursive Reasoning with Tiny Networks』에서 제안했다.

 

매개변수는 학습을 통해 조정되는 모델 내부의 수치다. 널리 알려진 약 700만 개라는 규모는 ARC-AGI 실험에 쓰인 구성과 연결해 이해하면 된다. 논문에는 과제와 구조에 따른 다른 크기의 실험도 있으므로 모든 TRM 구성이 정확히 같은 크기라고 볼 수는 없다.

 

특징은 작은 신경망을 여러 번 활용한다는 점이다. 입력 문제와 현재의 답, 중간 계산 상태를 바탕으로 내부 상태를 갱신하고 다시 답을 수정한다. 사람이 말로 자문자답하는 모습을 그대로 구현한 것은 아니며, 정해진 계산 구조를 반복하는 방식이다.

 

작동 흐름은 다음 순서로 이해할 수 있다. 실제 구현에서는 이 과정이 숫자로 표현된 상태 사이의 연산으로 진행된다.

 

1. 입력 문제를 모델이 처리할 수 있는 형태로 바꾸고 초기 답과 중간 상태를 준비한다.
2. 작은 신경망에 문제와 현재 상태를 넣어 중간 계산 상태를 여러 차례 갱신한다.
3. 갱신된 상태와 기존 답을 이용해 새로운 답을 만든다.
4. 설정된 반복 및 종료 방식에 따라 답을 더 다듬거나 결과를 출력한다.

 

이 구조가 주는 아이디어는 모델의 크기뿐 아니라 계산을 반복하는 방법도 성능에 영향을 준다는 것이다. 두 층의 작은 네트워크를 재사용하는 설계이므로, 층이 적다는 표현을 전체 계산 과정까지 짧다는 의미로 받아들여서는 안 된다.

 

성능 수치는 어떤 조건에서 나온 결과일까?

자주 소개되는 45%와 8%는 원 논문이 제시한 ARC-AGI-1과 ARC-AGI-2 성적의 요약이다. 이를 최신 AI 전체의 순위나 일상적인 질문에 대한 정답률로 해석하면 안 된다.

 

ARC-AGI는 예시로 주어진 격자 사이의 규칙을 찾아 새로운 입력에 맞는 출력 격자를 만드는 유형의 평가다. 책 요약과 번역, 대화의 자연스러움 등을 한꺼번에 평가하는 시험은 아니다. TRM 연구는 이런 격자 문제와 스도쿠, 미로 등 구조가 분명한 과제를 다룬다.

 

발표 성적과 별도 검증 자료를 나누어 정리하면 다음과 같다. 같은 이름의 모델이라도 학습 실행과 평가 자료, 채점 조건을 확인해야 한다.

 

자료 구분	ARC-AGI-1	ARC-AGI-2	읽을 때의 기준
2025년 원 논문 요약	약 45%	약 8%	논문이 보고한 실험 결과
ARC Prize 검증 모델 카드	40%	6.2%	별도 재현 및 검증 자료에 기재된 결과

 

초소형 ai 모델 삼성 관련 기사에서 특정 대형 모델보다 높다는 설명을 보더라도 비교 당시의 버전과 과제를 먼저 확인하는 것이 좋다. 한 평가의 결과를 언어 이해와 코딩, 이미지 생성까지 포함한 모든 능력의 우위로 넓힐 근거는 없다.

 

연구의 주목도는 별도로 확인할 수 있다. TRM 논문은 ARC Prize 2025의 논문상 부문에서 1위를 차지했다. 이는 연구 아이디어에 대한 평가이며, 대회의 최고 점수 부문 우승이나 범용 인공지능 완성과 같은 의미는 아니다.

 

성능을 비교할 때는 다음 항목을 함께 살피면 과장된 해석을 줄일 수 있다.

 

• 같은 데이터와 채점 방식으로 평가했는지 확인한다.
• 논문 발표 수치와 독립된 검증 수치를 구분한다.
• 매개변수 수뿐 아니라 반복 횟수와 실행 시간, 메모리 사용량도 살핀다.
• 예전 모델과의 비교를 현재 모든 AI에 대한 순위처럼 받아들이지 않는다.

 

활용 가능성과 직접 사용할 때 확인할 점

TRM은 작은 모델로 구조가 명확한 문제를 푸는 연구 방향을 보여준다. 이를 바탕으로 제한된 작업을 위한 AI를 설계하는 가능성을 생각해 볼 수 있지만, 원 논문만으로 특정 스마트폰이나 가전에 적용됐다고 판단할 수는 없다.

 

온디바이스 AI는 서버가 아니라 기기 안에서 계산을 수행하는 방식이다. 작은 모델은 저장 공간 측면에서 유리할 수 있으나, 실제 기기에서의 속도와 전력 소모는 반복 연산량과 하드웨어, 구현 방식까지 영향을 받는다. TRM의 퍼즐 성능을 배터리 절감 수치로 바꿔 설명할 수 없는 이유다.

 

공개 저장소는 학습과 평가를 재현하기 위한 연구 코드다. 이용자는 실행 환경과 데이터 준비 방법을 확인해야 하며, 일반 앱처럼 설치하고 바로 자연어로 대화하는 제품으로 소개하는 것은 적절하지 않다. 작은 실험에도 GPU와 충분한 메모리가 필요하다는 안내가 있어, 모델 크기와 학습 비용을 별개로 살펴야 한다.

 

2026년 11월 확인 기준 공식 저장소는 2026년 4월 1일부터 읽기 전용으로 보관된 상태다. 관리자는 자동 생성된 무관한 이슈와 유지보수 여력 문제로 임시 보관한다고 안내한다. 코드를 열람할 수는 있지만 지속적인 업데이트나 문의 대응이 보장된다고 생각해서는 안 된다.

 

원 논문 연결과 실행 안내, 현재 상태는 삼성 SAIL 몬트리올 TRM 공개 저장소 바로가기에서 확인할 수 있다.

 

마치면서

초소형 ai 모델 삼성 소식의 핵심은 TRM이 작은 신경망의 반복 계산으로 특정 추론 문제에서 성과를 보였다는 점이다. 약 700만 개의 매개변수와 논문의 평가 결과는 흥미롭지만, 별도 검증 성적과 평가 조건을 함께 읽어야 의미가 분명해진다. 작은 모델의 가능성과 실제 제품 적용은 다른 단계이므로 스마트폰 탑재나 전력 절감 효과를 미리 단정할 수 없다. 공개 자료를 볼 때는 과제의 범위와 계산 비용, 코드의 유지보수 상태까지 확인하는 것이 기술을 균형 있게 이해하는 방법이다.

 

[안내드립니다] 이 글은 2026년 11월 확인한 논문과 공개 저장소, ARC Prize 자료를 바탕으로 작성했습니다. 성능은 데이터와 학습 및 평가 조건에 따라 달라질 수 있으며, 제품 적용과 코드 제공 상태는 이후 변경될 수 있습니다.