Sztuczna inteligencja inspirowana ludzkim mózgiem rozbiła bank. W teście ARC-AGI, uznawanym za najtrudniejszy sprawdzian rozumowania maszynowego, niewielki model HRM zdeklasował tuzów pokroju GPT‑5 i Claude. Ma 27 milionów parametrów. Jego rywale — nawet biliony. Ale to on lepiej rozumie, planuje i rozwiązuje problemy. Czy to początek nowej ery AI?
W SKRÓCIE:
- HRM z Singapuru pobił GPT‑5 i Claude 3.7 w teście ARC-AGI‑1, osiągając 40,3% poprawnych odpowiedzi.
- Nowa AI ma zaledwie 27 mln parametrów, podczas gdy GPT‑5 szacuje się na 3 – 5 bilionów.
- Sekret tkwi w architekturze wzorowanej na ludzkim mózgu, z dwupoziomowym podziałem zadań poznawczych.
- HRM radzi sobie z sudoku i labiryntami, gdzie klasyczne LLM‑y zawodziły.
- Analiza pokazała, że kluczem był trening, nie architektura, co kwestionuje sens rozbudowywania modeli.
Dawid kontra Goliaci AI
W świecie, gdzie parametry liczy się w bilionach, pojawił się bot z 27 milionami, który zrobił to, czego nie dokonały największe modele OpenAI czy Anthropic. Stworzony przez firmę Sapient z Singapuru HRM (Hierarchical Reasoning Model) zdystansował konkurencję w benchmarku ARC-AGI‑1.
Osiągnął 40,3% skuteczności. GPT‑5? 34,5%. Claude 3.7? Zaledwie 21,2%. Brzmi jak zmiana paradygmatu?
Ludzki mózg jako inspiracja
HRM działa inaczej niż klasyczne LLM‑y. Nie rozkłada problemów na łańcuchy myśli (Chain-of-Thought), ale przetwarza je warstwowo. Jeden moduł planuje powoli i abstrakcyjnie, drugi liczy szybko i precyzyjnie. Jak kora i pień mózgu.
Efekt? HRM potrafi podjąć decyzję, czy myśleć dalej, czy podać odpowiedź. Wszystko w jednej iteracji, bez zewnętrznego nadzoru.
Sudoku bez potu
Testy na labiryntach i sudoku nie pozostawiły wątpliwości. Tam, gdzie GPT‑y mylą kroki, HRM gra jak szachista. W testach ARC-AGI‑2 też miał przewagę (5% vs. 3% dla GPT, 0,9% dla Claude).
Czy to AGI? Nie. Ale to świadectwo, że droga do niej nie musi prowadzić przez gigantyzm.
Trening ponad architekturę
Gdy organizatorzy benchmarku ARC-AGI postanowili zweryfikować wyniki HRM, ich replikacja się powiodła – ale z nieoczekiwanym rezultatem. Okazało się, że sama architektura hierarchiczna miała zaskakująco mały wpływ na skuteczność modelu.
Analiza pokazała, że układ modułów miał jedynie marginalny wpływ na osiągane rezultaty. To, co naprawdę zdecydowało o przewadze HRM nad konkurencją, kryło się gdzie indziej: w metodyce treningu. A konkretnie – w nie do końca udokumentowanych etapach doskonalenia modelu, które autorzy opisali lakonicznie i bez większych szczegółów.
Nie była to więc architektoniczna finezja, lecz precyzyjnie zaprojektowany proces uczenia, który wywindował wyniki małego modelu ponad osiągnięcia technologicznych gigantów. To odkrycie może wywrócić obowiązujące dziś reguły gry – bo jeśli kluczowy jest sposób, w jaki uczymy AI, a nie jej rozmiar czy konstrukcja, to otwiera się przestrzeń dla zupełnie nowej generacji modeli. Niewykluczone, że przyszłość należeć będzie nie do tych, którzy mają największe serwerownie i budżety, ale do tych, którzy najlepiej rozumieją, jak trenować inteligencję.
Co dalej?
HRM został opublikowany jako open source. Eksperci już analizują jego mechanizmy. I ostrzegają: jeśli trenowanie modeli okaże się ważniejsze niż ich konstrukcja, to najbliższe lata mogą przynieść eksplozję nowych podejść.