HuggingFace CEO 力荐，Bengio 团队也押注：这个 1500 美元训出的 HRM 模型，凭什么火了？

📌 一句话摘要

本文深度解读 Sapient Intelligence 发布的 HRM-Text 模型，分析其 1500 美元训出 1B 参数模型背后的分层递归推理架构，并论证该路线正在成为下一代推理模型的重要方向。

📝 详细摘要

文章围绕 Sapient Intelligence 发布的 HRM-Text 模型展开，该模型以约 1500 美元成本、1B 参数、从零预训练，在多个推理基准上达到与 2B-7B 主流模型相当的水平。文章核心论点在于，HRM-Text 的价值不在于「小模型逆袭」，而在于其背后的 HRM（Hierarchical Reasoning Model）架构——一种在潜空间中进行高层/低层双时间尺度递归计算的推理结构。文章详细拆解了 HRM 的核心设计：高层模块（战略脑）与低层模块（执行脑）在同一个神经网络内反复更新内部状态，而非依赖外部思维链文本；训练目标上只对回答部分计算损失，使信号更集中；并通过 MagicNorm 等技术解决递归训练不稳定的问题。文章进一步指出，图灵奖得主 Yoshua Bengio 参与的 GRAM 论文在核心骨架上高度复用了 HRM 的设计，说明该架构路线已被顶尖研究者认可和扩展。最后，文章展望了 HRM 作为「推理核心」在企业应用和多模态世界模型中的潜力，并强调其代表了「Scaling 之外的另一条路」。

💡 主要观点

- HRM-Text 的核心创新在于分层递归推理架构，而非参数规模或训练成本。 模型通过高层（慢更新、把握方向）与低层（快更新、局部计算）模块在潜空间中反复递归更新内部状态，实现有限参数下的更深层有效计算，区别于传统 Transformer 的单次前向传播。

HRM-Text 的训练策略聚焦于「完成任务」而非「预测整个文本序列」。 模型使用 PrefixLM attention mask，只对回答部分计算损失，使训练信号更集中地落在任务完成上，而非平均分散在整段文本中，从而提升推理效率。

Yoshua Bengio 参与的 GRAM 论文在核心骨架上高度复用 HRM 设计，验证了该路线的学术价值。 GRAM 的高层/低层状态、双时间尺度、潜空间递归等核心元素与 HRM 高度一致，相当于在 HRM 的确定性递归骨架上增加了概率生成模块，说明该架构已被顶尖研究者采纳和扩展。

HRM 路线代表了「Scaling 之外的另一条路」，即通过改进计算结构而非无限扩大参数来提升模型能力。 文章认为，HRM-Text 的意义不在于否定 Scaling，而是证明模型能力增长除了参数、数据和算力之外，计算结构本身也是一个关键变量，为基础模型创新提供了新的可能性。

HRM 的长期目标是实现推理与知识解耦，成为企业级「推理核心」。 模型不需要记住一切，而是学会如何思考、查找、验证和行动，未来可作为底层推理核心，应用于系统诊断、优化、数据组织和工具调用等复杂任务场景。

💬 文章金句

- 模型到底需要记住全世界，还是需要学会如何思考、如何查找、如何验证、如何行动？

• HRM 问的是一个更激进的问题：推理为什么一定要写出来？
• HRM-Text 不是在模型外面拼接一个规划器，而是把分层递归计算内建进模型本身。
• AI 的未来，不应该只有一条路。
• Sapient 不是在追随行业已有的答案，而是在提前给出一个可运行、可开源、可验证的新答案。

📊 文章信息

AI 初评：86

来源：量子位

作者：鹭羽

分类：人工智能

语言：中文

阅读时间：41 分钟

字数：10065

标签： AI 模型, LLM, 推理模型, 模型架构, AI 商业化

阅读完整文章