模型性能突破 - 27M参数小模型HRM在推理任务上超越o3-mini-high和DeepSeek-R1等大模型，且不依赖思维链技术[1][4][6] - 仅用1000个训练样本即解决极端数独和30x30迷宫等复杂任务，并在ARC-AGI测试中以40.3%准确率碾压Claude 3.7 8K（21.2%）和o3-mini-high（34.5%）[7][8][27] - 在9x9极端数独任务中实现接近100%准确率，而同类Transformer模型完全失效（0%）[27] 技术架构创新 - 采用仿脑设计的双层循环模块：高层模块负责抽象规划（慢节奏），低层模块处理细节计算（快节奏），通过时间尺度分离实现协同[10][12] - 引入分层收敛机制防止过早收敛，低阶模块根据高阶目标动态调整计算周期[16][18] - 近似梯度技术减少内存消耗，训练效率提升，内存需求恒定[19] - 深度监督机制分阶段评估学习效果，类似单元测试模式[20][21][22] - 自适应计算时间动态分配算力，简单任务快速响应，复杂任务延长计算[23][24] 行业影响与评价 - 模型参数仅2700万，但性能超越1.75亿参数Transformer（30x30迷宫任务中后者准确率<20%）[29] - 被部分观点认为可能颠覆Transformer架构，成为神经网络重大进步[31] - 设计对过拟合有极强抵抗力，专注特定领域时表现优于通用大模型[30] 开发者背景 - 创始人王冠为00后清华校友，曾独立开发GitHub 5.1k星项目OpenChat，多次拒绝马斯克xAI邀请[33][34][35][36] - 2024年创立Sapient Intelligence并获数千万美元融资，目标打造全新推理架构[38]