分层推理模型：微型“大脑”如何颠覆大型语言模型的统治地位

在AI模型不断追求参数规模与算力堆叠的今天，一个名为“分层推理模型”（Hierarchical Reasoning Model，简称HRM）的微型系统却以惊人表现打破了常规。它仅有2700万参数，训练数据量小到可在周末完成，训练仅需两小时GPU时间——这甚至比调试一块A100显卡还快。 然而，它的表现却令人震惊。在衡量AI通用智能水平的ARC-AGI测试中，HRM以40.3%的准确率大幅领先，远超Claude 3.7的21.2%和OpenAI o3-mini-high的34.5%。在极具挑战性的“Sudoku-Extreme”难题上，HRM成功解决55%的题目，而Claude和o3-mini均未能完成任何一题。面对复杂的30×30迷宫，HRM也以74.5%的准确率找到最优路径，其他模型则全部失败。 这一成果由其主要开发者关旺（Guan Wang）团队实现。HRM的突破不在于规模，而在于结构设计：它采用分层推理机制，能像人类一样“先思考策略，再执行步骤”，在复杂问题中做出更高效的决策。这种“小而精”的路径，让HRM在特定任务上甚至超越了参数量以千亿计的大型语言模型。 这不仅是技术上的反叛，更是一次范式挑战：AI的智能，未必来自规模，而可能源于更聪明的架构。当大模型仍在为“更大更强”而烧钱时，HRM用两小时训练就让它们“尴尬”了。