#无需思维链提升模型推理能力##1千样本小模型ARC突破40分# 无需预训练或思维链，就能展现出超强推理能力？ 一篇来自新加坡Sapient Intelligence的研究人员的论文，引发了热议。 研究人员受人类大脑信息处理机制启发，推出了层次推理模型（HRM）。 仅需2700万参数，使用1000个训练样本，就能在ARC-AGI里收获40.3%的高分。 现有的大语言模型主要依赖于思维链技术，这种方法存在任务分解脆弱、数据需求量大和响应延迟高的问题。 HRM的设计灵感来源于人类的大脑，它采用了两个相互依存的循环模块：一个负责慢速、抽象规划的高层模块，和一个处理快速、详细计算的底层模块。 通过高层模块和底层模块的配合，模型在复杂任务面前也能游刃有余，这个配合过程具体可以分为以下几个部分： - 高层模块（H-module）：负责制定整体策略，它在每个周期结束时接收底层模块的最终状态，并据此调整策略。 - 底层模块（L-module）：底层模块负责具体的计算任务，在每个周期内快速更新，每一步都基于前一步的状态和高层模块的策略。 - 层级收敛（Hierarchical Convergence）：标准的循环神经网络（RNN）容易快速收敛，导致后续计算停滞。HRM通过高层模块的慢速更新和底层模块的快速迭代，避免了这种快速收敛，显著增强了模型的推理能力。 HRM 在多个复杂任务上的表现令人瞩目，尤其是在小样本学习场景下，性能出色。【图2】 - ARC-AGI：在ARC-AGI-1中，HRM使用960个训练样本，达到了40.3%的准确率。显著高于o3-mini-high（34.5%）和 Claude 3.7 8K（21.2%）。 - Sudoku-Extreme：HRM在Sudoku-Extreme测试中达到了55%的准确率，而其他大模型几乎无法解决这些难题，准确率接近0%。 - 30×30迷宫：HRM在30×30迷宫测试中达到了74.5%的准确率，而其他大模型在这一任务上几乎无法找到最优路径，准确率接近0%。 感兴趣的朋友，可以阅读论文原文： 代码仓库：
