본 논문은 Tiny Recursive Models (TRMs)과 같은 소형 루프 구조가 Abstraction and Reasoning Corpus (ARC)와 같은 복잡한 추론 작업에서 대형 언어 모델 (LLMs)보다 성능이 우수하다는 사실에 착안하여, 이러한 방법의 효율성을 최소한의 변경으로 향상시키는 방법을 연구한다. 이를 위해 TRMs의 잠재적 추론을 classifier-free guidance 및 암시적 정책 개선 알고리즘의 형태로 파악하고, 각 루프에 대한 타겟을 제공하는 새로운 훈련 방식을 제안한다. 제안된 방식은 훈련 효율성을 크게 향상시켜, 총 forward pass 수를 18배 줄이고 중단 메커니즘을 제거하면서도 기존 TRMs와 유사한 품질을 유지한다. 특히, 0.8M 파라미터로 ARC-1에서 24%의 정확도를 달성하여 대부분의 LLMs보다 뛰어난 성능을 보였다.
