Давид и Голиаф по-новому: крошечный интеллект показал зубы и разгромил GPT в логике

Мир искусственного интеллекта переживает неожиданный поворот. Там, где лидеры индустрии годами делали ставку на масштаб и миллиарды параметров, маленький стартап из Сингапура показал иной путь. Его модель HRM не просто соревнуется с системами вроде GPT-4, а в некоторых случаях даже превосходит их, используя при этом лишь крохи вычислительных ресурсов.

Архитектура, вдохновлённая мозгом

В основе успеха Sapient лежит принципиально новая схема обработки информации. Hierarchical Reasoning Model (HRM) построена по двухуровневой структуре: контроллер отвечает за общее планирование, а исполнитель — за детализированные расчёты. Эти два модуля взаимодействуют циклично, что позволяет системе совершенствовать свои решения в процессе. Такой подход ближе к тому, как работает человеческое мышление.

Почему это важно

Современные языковые модели полагаются на метод цепочки рассуждений (Chain-of-Thought). Он разбивает задачи на шаги, но требует гигантских объёмов данных и зачастую замедляет работу. HRM действует иначе: задача решается за один проход, что снижает задержки и делает систему устойчивее. На тесте ARC-AGI, где проверяется умение работать с абстрактными задачами, HRM показала 40,3% точности против 34,5% у OpenAI и всего 21,2% у Claude.

"Результаты впечатляют, но мы пока не знаем, что происходит внутри системы", — сказал исследователь ARC.

Сравнение

Ошибка → Последствие → Альтернатива

• Ошибка: слепо доверять только крупным моделям.

• Последствие: рост расходов на инфраструктуру, задержки в работе.

• Альтернатива: внедрение HRM или аналогичных лёгких моделей для отдельных сценариев.

• Ошибка: ожидать от HRM универсальности GPT-4.

• Последствие: неудовлетворённые ожидания в текстовой генерации.

• Альтернатива: использовать HRM как дополнение, а не замену.

А что если…

Если гипотеза Sapient подтвердится, индустрия может повернуть от гонки "больше параметров — больше мощности" к поиску архитектурных решений. Тогда акцент сместится в сторону экологичных систем, которые потребляют меньше энергии и лучше решают задачи, требующие логики, а не памяти.

Плюсы и минусы HRM

FAQ

Как выбрать модель для бизнеса — HRM или GPT-4?
Для генерации текстов и диалогов лучше подойдут крупные LLM, для логических задач — HRM.

Сколько стоит использование HRM?
Точных данных пока нет, но теоретически расходы должны быть на порядок ниже из-за малых параметров.

Что лучше для стартапа — Claude или HRM?
Claude эффективнее в текстах, HRM — в логике. Всё зависит от типа задач.

Мифы и правда

• Миф: чем больше параметров, тем умнее модель.
  Правда: HRM показала, что структура важнее масштаба.

• Миф: маленькие модели не могут конкурировать с гигантами.
  Правда: HRM обошла GPT-4 в специализированном тесте.

• Миф: будущее ИИ — только в росте мощности серверов.
  Правда: архитектурные инновации открывают новые горизонты.

3 интересных факта

1. HRM обучили всего на 1000 примерах — это несравнимо меньше, чем у конкурентов.

2. Модель работает без предварительной настройки и обучения с подкреплением.

3. Логические задачи вроде судоку она решает почти безошибочно.

Исторический контекст

История искусственного интеллекта знает разные этапы. В 1950-х доминировали символические подходы. В 1980-х появились нейросети. В 2010-х — взрыв глубокого обучения и миллиардные модели. HRM может стать новым поворотом: возвратом к поиску принципиально новых архитектур, а не к простому масштабированию.