Sapient Intelligence præsenterer HRM-Text, et hjernen-inspireret AI-model designet til at udfordre skala-først-løbet

Da AI-industrien fortsætter med at investere milliarder i stadig større sprogmodeller og massive datacentre, tager det Singapore-baserede AI-forskningsfirma Sapient Intelligence en helt anderledes tilgang.

Firmaet har annonceret HRM-Text, en ny 1-milliard-parameter resonanssprogmodel designet omkring en hierarkisk rekurrent arkitektur inspireret af, hvordan hjernen adskiller langsom, bevidst resonans fra hurtig, lavniveau-behandling.

I stedet for at forsøge at vinde gennem ren skala, positionerer Sapient HRM-Text som bevis på, at resonansdybde og beregnings-effektivitet kan blive vigtigere end raw parameter-tællinger i den næste fase af AI-udvikling.

Lanceringen fortsætter en bredere trend, der opstår i AI-sektoren: en voksende skepsis over for, at enkelt skalering af transformatorer vil være nok til at opnå mere generelle former for intelligens.

Bevægelse ud over Transformer-Playbook

De fleste moderne store sprogmodeller afhænger af Transformer-arkitekturer, der behandler information gennem et primært feed-forward-system fokuseret på næste-token-forudsigelse. Sapients HRM-ramme introducerer i stedet en hierarkisk rekurrent struktur, hvor flere resonanslag interagerer internt, før nogen output genereres.

Firmaet beskriver arkitekturen som opererende gennem to interne forbundne systemer: et højere niveau “langsom controller” ansvarlig for abstrakt planlægning og resonans, og et lavere niveau “hurtig arbejder”, der håndterer detaljerede beregninger.

Dette adskiller sig fra kæde-af-tanke-metoder, der er bredt anvendt i nuværende AI-systemer, hvor resonans udtrykkes gennem lange synlige tekstsekvenser. HRM-Text udfører i stedet en stor del af sin resonans internt i latent rum, før der genereres svar.

Sapient argumenterer for, at denne struktur tillader mindre systemer at udføre mere sofistikerede multi-trin resonans uden at afhænge af enorme modelstørrelser eller massive inferensomkostninger.

Ifølge benchmark-resultater, som firmaet har leveret, opnåede HRM-Text 56,2% på MATH, 81,9% på ARC-Challenge, 82,2% på DROP og 60,7% på MMLU, trods sin relativt små fodaftryk.

Effektivitet bliver et strategisk AI-slagmark

Lanceringen finder sted på et tidspunkt, hvor bekymringer omkring AI-infrastruktur-omkostninger, energiforbrug og beregnings-tilgængelighed bliver centrale industribeklager.

Træning og implementering af state-of-the-art AI-systemer kræver nu ofte massive GPU-klynger, hyperskala-datacentre og energiforbrugsniveauer, der bliver stadig mere underkastet af regeringer og infrastruktur-udbydere. Sapients argument er, at fremtidige gennembrud kan komme ikke fra at skalere større systemer, men fra at grundlæggende omdefinere arkitekturen selv.

Firmaet hævder, at HRM-Text kan trænes på omkring en dag med 16 GPU’er på to maskiner til en omkostning på ca. 1.000 $. I sammenligning kan frontier-skala-sprogmodeller kræve træningsbudgetter, der når op i hundredvis af millioner dollars.

Modellens kompakte implementeringsprofil er også bemærkelsesværdig. Ved int4-kvantificering rapporteres HRM-Text at besætte omkring 0,6 GiB, hvilket gør lokal implementering på smartphones og edge-enheder teoretisk mulig.

Denne fokus på mindre, mere udrulningsbare systemer kan blive stadig vigtigere, da virksomheder skubber mod på-enhed-AI, privatlivssensitiv inferens og offline-resonanssystemer, der ikke afhænger fuldstændigt af cloud-infrastruktur.

Den bredere skub mod hjernen-inspireret AI

Sapients arbejde afspejler en bredere bevægelse inden for AI-forskning, der udforsker alternativer til traditionel transformer-skala.

Firmaets HRM-arkitektur bygger tungt på neurovidenskabelige koncepter som hierarkisk behandling, tidsadskillelse og rekurrent beregning.

På sin hjemmeside beskriver Sapient sin langsigtede mål som at forfølge kunstig generel intelligens gennem arkitekturer, der er i stand til at resonere, planlægge og adaptivt lære, snarere end at afhænge primært af statistisk memorering.

Firmaets forskningsteam inkluderer tidligere bidragsytere fra organisationer som DeepMind, DeepSeek og xAI, samt forskere forbundet med institutioner som MIT, Carnegie Mellon University, Tsinghua University og University of Cambridge.

Tidligere versioner af Sapients Hierarkisk Resonansmodel havde allerede tiltrukket opmærksomhed i AI-forskningskredse for at opnå stærk resonanspræstation ved brug af dramatisk mindre parameter-tællinger end konventionelle LLM’er.

En skift i, hvordan AI-fremgang måles

Om arkitekturer som HRM ultimativt kan rivalisere med de største frontier-modeller, er åbent. AI-industrien har gentagne gange set lovende alternativer opstå, før de blev overhalet af den uophørlige økonomi af skala.

Ikke desto mindre ankommer Sapients lancering på et tidspunkt, hvor industrien stadig mere konfronterer grænserne for brutalt udvidelse. GPU-mangel, effektbottlenecks, inferensomkostninger og aftagende afkast fra større datasets tvinger forskere til at omdefinere antagelser, der har domineret de sidste års AI-udvikling.

Hvis systemer som HRM-Text fortsætter med at forbedre sig, kan de omforme, hvordan fremgang i AI måles — skiftende fokus væk fra parameter-tællinger og mod effektivitet, resonansdybde og adaptivitet.

Firmaet har fuldt ud åbent udgivet HRM-Text gennem GitHub som en del af lanceringen.