![\"\"](\"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-content\/uploadsnieuwssocial\/2025\/10\/img_68e801f32ccd9.png\" "\\"\\"")
<\/p>\n<\/p>\n
De trend waarbij AI-onderzoekers nieuwe open-source generatieve modellen ontwikkelen die beter presteren dan veel grotere, propri\u00ebtaire modellen, zette zich deze week voort met weer een spectaculaire doorbraak.<\/strong><\/p>\n Alexia Jolicoeur-Martineau, senior AI-onderzoeker bij Samsung\u2019s Advanced Institute of Technology (SAIT) in Montr\u00e9al, Canada, heeft het Tiny Recursion Model (TRM)<\/strong> gepresenteerd \u2014 een neuraal netwerk dat slechts 7 miljoen parameters<\/strong> bevat, en toch concurreert met of beter is dan toonaangevende taalmodellen die 10.000\u00d7 zoveel parameters<\/strong> hebben, zoals OpenAI\u2019s o3-mini en Google\u2019s Gemini 2.5 Pro, op een aantal van de moeilijkste redeneer-benchmarks in AI-onderzoek.<\/p>\n Het doel is aan te tonen dat zeer krachtige nieuwe AI-modellen betaalbaar kunnen worden gemaakt, zonder de enorme investeringen in GPU\u2019s en energie die nodig zijn om de (multi-biljoenen parameter) grootschalige modellen te trainen die vandaag de dag veel LLM-chatbots aandrijven. De resultaten zijn beschreven in een onderzoeksartikel gepubliceerd op de open toegangssite arXiv, getiteld \u201cLess is More: Recursive Reasoning with Tiny Networks.\u201d<\/em><\/p>\n \u201cHet idee dat je moet vertrouwen op enorme fundamentele modellen, getraind voor miljoenen dollars door een groot bedrijf, om moeilijke taken op te lossen, is een val,\u201d schreef Jolicoeur-Martineau op het sociale netwerk X. \u201cOp dit moment is er te veel focus op het exploiteren van LLM\u2019s in plaats van het bedenken en uitbreiden van nieuwe richtingen.\u201d De code van TRM is nu beschikbaar op GitHub onder een MIT-licentie die ook geschikt is voor commercieel gebruik \u2014 dat betekent dat onderzoekers \u00e9n bedrijven het kunnen nemen, aanpassen en inzetten voor hun eigen doeleinden.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" De trend waarbij AI-onderzoekers nieuwe open-source generatieve modellen ontwikkelen die beter presteren dan veel grotere, propri\u00ebtaire modellen, zette zich deze week voort met weer een spectaculaire doorbraak.<\/p>\n Alexia Jolicoeur-Martineau, senior AI-onderzoeker bij Samsung\u2019s Advanced Institute of Technology (SAIT) in Montr\u00e9al, Canada, heeft het Tiny Recursion Model (TRM) gepresenteerd \u2014 een neuraal netwerk dat slechts 7 miljoen parameters bevat, en toch concurreert met of beter is dan toonaangevende taalmodellen die 10.000\u00d7 zoveel parameters hebben, zoals OpenAI\u2019s o3-mini en Google\u2019s Gemini 2.5 Pro, op een aantal van de moeilijkste redeneer-benchmarks in AI-onderzoek.<\/p>\n Het doel is aan te tonen dat zeer krachtige nieuwe AI-modellen betaalbaar kunnen worden gemaakt, zonder de enorme investeringen in GPU\u2019s en energie die nodig zijn om de (multi-biljoenen parameter) grootschalige modellen te trainen die vandaag de dag veel LLM-chatbots aandrijven. De resultaten zijn beschreven in een onderzoeksartikel gepubliceerd op de open toegangssite arXiv, getiteld \u201cLess is More: Recursive Reasoning with Tiny Networks.\u201d<\/p>\n \u201cHet idee dat je moet vertrouwen op enorme fundamentele modellen, getraind voor miljoenen dollars door een groot bedrijf, om moeilijke taken op te lossen, is een val,\u201d schreef Jolicoeur-Martineau op het sociale netwerk X. \u201cOp dit moment is er te veel focus op het exploiteren van LLM\u2019s in plaats van het bedenken en uitbreiden van nieuwe richtingen.\u201d De code van TRM is nu beschikbaar op GitHub onder een MIT-licentie die ook geschikt is voor commercieel gebruik \u2014 dat betekent dat onderzoekers \u00e9n bedrijven het kunnen nemen, aanpassen en inzetten voor hun eigen doeleinden.<\/p>\n","protected":false},"author":25,"featured_media":711107,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[338],"tags":[],"class_list":["post-711106","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-nieuws-tool-ai-business-marketing-ai-modellen"],"_links":{"self":[{"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/posts\/711106","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/users\/25"}],"replies":[{"embeddable":true,"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/comments?post=711106"}],"version-history":[{"count":0,"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/posts\/711106\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/media\/711107"}],"wp:attachment":[{"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/media?parent=711106"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/categories?post=711106"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.nieuws.marketing\/strategie_nieuws\/wp-json\/wp\/v2\/tags?post=711106"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n
\u201cMet recursief redeneren blijkt dat \u2018minder meer is\u2019. Een klein model, vanaf nul voorgetraind, dat recursief op zichzelf opereert en zijn antwoorden in de loop van tijd bijwerkt, kan veel bereiken zonder de bank te breken.\u201d<\/p>\n<\/blockquote>\n
\n\u201cMet recursief redeneren blijkt dat \u2018minder meer is\u2019. Een klein model, vanaf nul voorgetraind, dat recursief op zichzelf opereert en zijn antwoorden in de loop van tijd bijwerkt, kan veel bereiken zonder de bank te breken.\u201d<\/p>\n