Hijerarhijski model zaključivanja (HRM) kojeg koristi umjetna inteligencija rađena po uzoru na ljudski mozak, u zadacima logičkog zaključivanja nadmašuje najmodernije velike jezične modele poput ChatGPT-a. HRM je rezultat rada singapurske kompanije Sapient Intelligence i dizajniran je prema načinu na koji mozak obrađuje informacije na više hijerarhijskih razina i vremenskih skala. Poput odnosa prefrontalnog korteksa i bazalnih ganglija u ljudskom mozgu, i HRM djeluje kroz dva odvojena, međusobno povezana modula: jedan za sporo, visokorangirano planiranje te drugi za brze, detaljne proračune.

Umjesto klasične lančane dekompozicije problema (chain-of-thought), HRM koristi “iterativno rafiniranje”: u više kratkih ciklusa "razmišljanja" model predlaže rješenje, ocjenjuje treba li ga poboljšati i po potrebi ponavlja rafiniranje. Ključno je što završava s vrlo točnim odgovorima bez eksplicitnog nadzora svakog međukoraka. HRM pritom trenira na samo 1000 primjera i ima samo 27 milijuna parametara, nasuprot milijardama u LLM-ovima, što ga čini iznimno efikasnim.

Rezultati testova: HRM je postigao 40 % točnosti na ARC-AGI testu u kojem GPT-4 i Claude često ne prelaze 21 %, a briljirao je i u složenim zadacima poput Sudokua i labirinata. Podaci o modelu mogu se pronaći na GitHubu, a sam rad postavljen na arXivu još čeka recenziju.

Čini se da većinu prednosti ne donosi sama hijerarhijska arhitektura, već rafinirajuća petlja i postupci augmentacije podataka te da model donekle memorira specifične zadatke, no singapurski inženjeri uvjereni su da HRM otvara novo poglavlje u razvoju umjetne inteligencije s potencijalom za primjenu u područjima gdje su podaci rijetki, a preciznost ključna, poput medicine, robotike i klime.