Вчені створили “мозкоподібний” ШІ: кращий за ChatGPT

Сінгапурська компанія Sapient відкрила вихідний код нової ієрархічної моделі мислення HRM — компактної рекурентної архітектури, натхненої багаторівневою обробкою інформації в людському мозку. Модель має лише 27 млн параметрів і навчається на близько 1000 прикладах але демонструє рівень абстрактного міркування, який змушує замислитись навіть прихильників гігантських LLM.

За підсумками тестів на бенчмарку ARC-AGI (один із найжорсткіших іспитів на “загальний інтелект” у штучних систем), HRM показала 40,3% на ARC-AGI-1 і 5% на ARC-AGI-2 Для порівняння: o3-mini-high від OpenAI — 34,5% та 3% Claude 3.7 — 21,2% і 0,9% DeepSeek R1 — 15,8% і 1,3% Ці цифри прозвучали в огляді Live Science із посиланням на препринт роботи.

Як влаштована HRMHRM — це рекурентна (не трансформерна) архітектура з двома взаємопов’язаними модулями

• Високорівневий (H) — “повільне” планування й абстрактні кроки;
• Низькорівневий (L) — “швидкі” детальні обчислення.

Модель виконує завдання в один прямий прохід без явної розмітки проміжних кроків, але запускає короткі “ривки мислення” з ітеративним уточненням і механізмом “

зупинити чи продовжити”, що дозволяє адаптивно витрачати обчислення. arXiv

Де вона сильнаУ препринті та репозиторії йдеться, що HRM досягає майже ідеальної точності на складних судоку та показує оптимальний пошук шляху в великих лабіринтах — задачах, де традиційні LLM часто “ламаються” без спеціальних підказок або довгих ланцюжків думок (CoT). Код і інструкції для відтворення цих експериментів уже опубліковані.

Чому це важливо

1. Ефективність 27 млн параметрів і ~1000 прикладів проти мільярдів/трильйонів у сучасних LLM — це інший підхід до розуміння, а не просто масштабування.
2. Інша парадигма замість CoT-ланцюжків HRM покладається на ієрархічне планування та зовнішній цикл уточнення зменшуючи залежність від величезних датасетів і промт-хитрощів.
3. Відкритість наявність GitHub-репозиторію з чекпойнтами (ARC-2, Sudoku, Maze) полегшує незалежну валідацію.

Але є “ложка дьогтю”Організатори ARC Prize самостійно перевірили HRM на напівприватному наборі ARC і відтворили тенденцію, але з нижчими балами (близько 32% на ARC-AGI-1 і 2% на ARC-AGI-2). Головне ж — у серії абляцій вони з’ясували,

що ієрархічність архітектури дає мінімальний внесок тоді як недостатньо задокументований “зовнішній цикл” уточнення під час тренування забезпечує левову частку ефекту. Команда також зауважує обмеження з “пазл-ембеддингами”: поточна реалізація прив’язує модель до ідентифікаторів задач бачених у тренуванні, що ставить питання до узагальнення поза відомі “головоломки”.

Що таке ARC-AGI і навіщо він потрібенARC-AGI — бенчмарк Франсуа Шолле, покликаний міряти не “зазубрені знання”, а “рухливий інтелект” здатність вивчати правила з мінімуму прикладів і переносити навички У 2025-му з’явилась складніша версія ARC-AGI-2 яка сильніше карає за неефективні підходи.

Де спробувати

• Код та інструкції HRM: інсталяція, генерація датасетів, запуск Sudoku/Maze/ARC, чекпойнти на Hugging Face — усе в офіційному репозиторії.
• Оригінальний препринт на arXiv (останнє оновлення — 4 серпня 2025).

ВисновокHRM — цікавий прорив у дизайні “розуміючих” моделей компактна, ієрархічна, з адаптивним часом обчислень і без залежності від CoT. Її сила на ARC і в задачах типу Sudoku/Maze — справжній сигнал. Водночас перевірка ARC Prize остуджує “хайп”: архітектура ≠ уся магія значну роль відіграє зовнішній цикл уточнення та специфіка тренувального пайплайна. Далі — рецензування нові тести (в т.ч. ARC-AGI-2/3 і перевірка узагальнення за межі пазлів

Джерела: arXiv препринт HRM; офіційний GitHub-репозиторій; блоги ARC Prize про верифікацію; новинні звіти Live Science (27 серпня 2025). arXivGitHubARC PrizeLive Science