Mini-modèle récurrent - Historique des versions

Pitpitt le 22 décembre 2025 à 20:13

2025-12-22T20:13:36Z

← Version précédente		Version du 22 décembre 2025 à 16:13
Ligne 22 :		Ligne 22 :
	'''mini-réseau de neurones récursif'''		'''mini-réseau de neurones récursif'''

	'''MRNR''		'''MRNR'''

	== Anglais ==		== Anglais ==
Ligne 36 :		Ligne 36 :
	[https://moazharu.medium.com/building-tiny-recursive-model-from-scratch-when-tiny-networks-beat-giants-at-their-own-game-68d9df9e1fdb Medium - Tiny Recursive Model]		[https://moazharu.medium.com/building-tiny-recursive-model-from-scratch-when-tiny-networks-beat-giants-at-their-own-game-68d9df9e1fdb Medium - Tiny Recursive Model]

	[[Catégorie:~~Publication~~]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Claude COULOMBE le 21 décembre 2025 à 07:41

2025-12-21T07:41:29Z

← Version précédente		Version du 21 décembre 2025 à 03:41
Ligne 1 :		Ligne 1 :
	~~== En construction ==~~

	== Définition ==		== Définition ==
	Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs (GML) basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes par raffinement progressif (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.) et dont les performances dépassent les GML.		Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs (GML) basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes par raffinement progressif (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.) et dont les performances dépassent les GML.

	== Compléments ==		== Compléments ==
	Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une [[généralisation]] élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance. De plus, les MMR nécessitent beaucoup moins de données d'entraînement et de calculs.		Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une [[généralisation]] élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance. De plus, les MMR nécessitent beaucoup moins de données d'entraînement et de calculs.
	<hr/>		<hr/>
	Nous recommandons le terme « ~~résolution de problèmes » ou plus simplement « résolution~~ » plutôt que « ~~raisonnement~~ » ~~pour éviter l~~'~~anthropomorphisme~~.		Nous recommandons le terme « récurrent » plutôt que « récursif » par souci d'uniformité de la terminologie et parce que techniquement le modèle est récurrent même si ce n'est pas simplement un mini-[[réseau de neurones récurrent]] (RNN).
	<hr/>		<hr/>
	Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion). Un mini-modèle récurrent résout un problème en mettant à jour sa réponse dans un cycle d'améliorations successives.		Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion). Un mini-modèle récurrent résout un problème en mettant à jour sa réponse dans un cycle d'améliorations successives.
	<hr/>		<hr/>
	Attention! Notez qu'un MMR n'est pas un mini-[[réseau de neurones récurrent]] (RNN), ni un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé pour certaines tâches ~~mais~~ très performant.		Attention! Notez qu'un MMR n'est pas simplement un mini-[[réseau de neurones récurrent]] (RNN), ni un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé pour certaines tâches et très performant.

	== Français ==		== Français ==

Claude COULOMBE le 21 décembre 2025 à 07:35

2025-12-21T07:35:14Z

← Version précédente		Version du 21 décembre 2025 à 03:35
Ligne 11 :		Ligne 11 :
	Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion). Un mini-modèle récurrent résout un problème en mettant à jour sa réponse dans un cycle d'améliorations successives.		Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion). Un mini-modèle récurrent résout un problème en mettant à jour sa réponse dans un cycle d'améliorations successives.
	<hr/>		<hr/>
	Notez qu'un MMR n'est pas un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé pour certaines tâches mais très performant.		Attention! Notez qu'un MMR n'est pas un mini-[[réseau de neurones récurrent]] (RNN), ni un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé pour certaines tâches mais très performant.

	== Français ==		== Français ==

Claude COULOMBE le 17 décembre 2025 à 09:00

2025-12-17T09:00:46Z

← Version précédente		Version du 17 décembre 2025 à 05:00
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
	Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs (GML) basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes par raffinement progressif (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.) et dont les performances dépassent les GML.		Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs (GML) basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes par raffinement progressif (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.) et dont les performances dépassent les GML.

	== Compléments ==		== Compléments ==
	Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une généralisation élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance. De plus, les MMR nécessitent beaucoup moins de données d'entraînement et de calculs.		Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une [[généralisation]] élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance. De plus, les MMR nécessitent beaucoup moins de données d'entraînement et de calculs.
	<hr/>		<hr/>
	Nous recommandons le terme « résolution de problèmes » ou plus simplement « résolution » plutôt que « raisonnement » pour éviter l'anthropomorphisme.		Nous recommandons le terme « résolution de problèmes » ou plus simplement « résolution » plutôt que « raisonnement » pour éviter l'anthropomorphisme.
	<hr/>		<hr/>
	Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion).		Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion). Un mini-modèle récurrent résout un problème en mettant à jour sa réponse dans un cycle d'améliorations successives.
	<hr/>		<hr/>
	Notez qu'un MMR n'est pas un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé à certaines tâches ~~spécifiques et~~ très performant.		Notez qu'un MMR n'est pas un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé pour certaines tâches mais très performant.

	== Français ==		== Français ==

Claude COULOMBE le 17 décembre 2025 à 00:01

2025-12-17T00:01:39Z

← Version précédente		Version du 16 décembre 2025 à 20:01
Ligne 6 :		Ligne 6 :
	== Compléments ==		== Compléments ==
	Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une généralisation élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance. De plus, les MMR nécessitent beaucoup moins de données d'entraînement et de calculs.		Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une généralisation élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance. De plus, les MMR nécessitent beaucoup moins de données d'entraînement et de calculs.
			<hr/>
	Nous recommandons le terme « résolution de problèmes » ou plus simplement « résolution » plutôt que « raisonnement » pour éviter l'anthropomorphisme.		Nous recommandons le terme « résolution de problèmes » ou plus simplement « résolution » plutôt que « raisonnement » pour éviter l'anthropomorphisme.
	<br/>		<hr/>
	Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion).		Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion).
	<br/>		<hr/>
	Notez qu'un MMR n'est pas un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé à certaines tâches spécifiques et très performant.		Notez qu'un MMR n'est pas un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé à certaines tâches spécifiques et très performant.

Claude COULOMBE le 17 décembre 2025 à 00:01

2025-12-17T00:01:07Z

← Version précédente		Version du 16 décembre 2025 à 20:01
Ligne 5 :		Ligne 5 :

	== Compléments ==		== Compléments ==
	Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une généralisation élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance.		Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une généralisation élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance. De plus, les MMR nécessitent beaucoup moins de données d'entraînement et de calculs.

	Nous recommandons le terme « résolution de problèmes » ou plus simplement « résolution » plutôt que « raisonnement » pour éviter l'anthropomorphisme.		Nous recommandons le terme « résolution de problèmes » ou plus simplement « résolution » plutôt que « raisonnement » pour éviter l'anthropomorphisme.
			<br/>
	Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion).		Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion).
			<br/>
			Notez qu'un MMR n'est pas un modèle généraliste capable de résoudre n'importe quel problème, mais un petit modèle spécialisé à certaines tâches spécifiques et très performant.

	== Français ==		== Français ==

Claude COULOMBE le 16 décembre 2025 à 23:57

2025-12-16T23:57:52Z

← Version précédente		Version du 16 décembre 2025 à 19:57
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
	Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs (GML) basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.) dont les performances dépassent les GML.		Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs (GML) basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes par raffinement progressif (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.) et dont les performances dépassent les GML.

	== Compléments ==		== Compléments ==

Claude COULOMBE le 16 décembre 2025 à 23:56

2025-12-16T23:56:32Z

← Version précédente		Version du 16 décembre 2025 à 19:56
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
	Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.).		Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs (GML) basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.) dont les performances dépassent les GML.

	== Compléments ==		== Compléments ==

Claude COULOMBE le 16 décembre 2025 à 23:55

2025-12-16T23:55:10Z

← Version précédente		Version du 16 décembre 2025 à 19:55
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
	Modèle basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.).		Modèle minuscule comparativement aux [[grand modèle de langues\|grands modèles de langues]] génératifs basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.).

	== Compléments ==		== Compléments ==

Claude COULOMBE le 16 décembre 2025 à 23:36

2025-12-16T23:36:33Z

← Version précédente		Version du 16 décembre 2025 à 19:36
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
	Modèle basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes (~~sodokus~~, labyrinthes, le banc d'essai ARC-AGI, etc.).		Modèle basé sur des [[Réseau récurrent\|réseaux de neurones récurrents]] qui comporte très peu de paramètres et qui est conçu pour résoudre des problèmes complexes (Sudokus, labyrinthes, banc d'essai ARC-AGI, etc.).

	== Compléments ==		== Compléments ==
	Dans la foulée de ~~la nouvelle architecture~~ de réseau neuronal appelée modèle de résolution ~~de problèmes~~ hiérarchique ou ~~MRPH~~, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée « mini-modèle ~~récursif »~~ ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une généralisation élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance.		Dans la foulée de l'architectures de réseau neuronal appelée [[Modèle_de_résolution_hiérarchique\|modèle de résolution hiérarchique]] ou MRH, (en anglais, Hierarchical Reasoning Models, HRM), Alexia Jolicoeur-Martineau du laboratoire Samsung SAIL de Montréal a proposé une nouvelle architecture appelée mini-modèle récurrent ou MMR (en anglais, Tiny Recursive Model, TRM). Cette architecture atteint une généralisation élevée sur des tâches complexes grâce à un petit réseau neuronal à deux couches avec un nombre réduit de paramètres, surpassant ainsi les grands modèles de langues (GML) en termes de performance.

			Nous recommandons le terme « résolution de problèmes » ou plus simplement « résolution » plutôt que « raisonnement » pour éviter l'anthropomorphisme.

			Intuitivement, on peut dire qu'un MMR bat des grands modèles de langues (GPT, Gemini ou Claude) sur des tâches de résolution de problèmes, prouvant que la "profondeur" peut être remplacée par la "récursivité" (le temps de réflexion).

	== Français ==		== Français ==
Ligne 19 :		Ligne 23 :

	'''MRNR''		'''MRNR''


	== Anglais ==		== Anglais ==
Ligne 25 :		Ligne 28 :

	'''TRM'''		'''TRM'''


	==Sources==		==Sources==