新加坡人工智能初创公司Sapient Intelligence开发出一种革命性的AI架构——分层推理模型（HRM）。该模型在复杂推理任务中不仅能媲美当前主流的大语言模型（LLMs），甚至在部分场景下表现更优，同时具备显著的小型化和数据高效特性。其设计灵感源自人类大脑的运作机制，通过区分慢速抽象规划和快速直觉计算的双系统模式，仅用传统LLMs所需数据量和内存的零头就实现了突破性性能。
链式思维推理的局限性
当前LLMs主要依赖链式思维（CoT）提示技术，通过将问题分解为文本中间步骤来模拟”出声思考”的过程。虽然这种方法提升了模型的推理能力，但存在根本性缺陷：依赖人工定义的问题分解流程容易因单一步骤错误导致整个推理崩溃，且需要海量训练数据生成冗长的响应。更关键的是，这种显式语言生成机制束缚了模型在潜在空间进行内部抽象推理的能力。
受大脑启发的分层架构
HRM创新性地采用双模块耦合设计：高层（H）模块负责慢速全局策略制定，底层（L）模块专注快速细节计算。这种结构实现了”分层收敛”机制——当L模块完成局部问题求解后，H模块会整合结果并重新定义子任务，既防止过早收敛又避免梯度消失。研究表明，该架构能在潜在空间执行深度推理，无需依赖CoT提示或大数据训练。
性能突破与效率优势
在ARC-AGI抽象推理基准测试中，仅2700万参数的HRM以40.3%准确率超越数十亿参数规模的CoT模型（如Claude 3.7 Sonnet的21.2%）。对于”极端数独”和”复杂迷宫”等挑战性任务，主流LLMs完全失败时，HRM仅用1000个训练样本就实现接近完美的准确率。更惊人的是其实时性能：相比传统LLMs的序列化token生成，HRM的并行处理带来高达100倍的推理加速，训练专业级数独模型仅需2个GPU小时。
企业级应用前景
该技术特别适合确定性强的复杂决策场景：
- 工业机器人实时路径规划
- 科学实验的自动化假设验证
- 物流网络的动态优化
- 医疗诊断的辅助推理
创始人王冠强调，HRM在数据稀缺领域展现出独特价值，其训练成本仅为大模型的零头，甚至可在边缘设备部署。目前团队正将该架构拓展至气候预测和自主机器人等方向，并开发具备自我修正能力的新版本。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/xin-xing-ai-jia-gou-shi-xian-100-bei-tui-li-su-du-ti-sheng
