Hierarchical Reasoning Model (HPM)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Sapient Intelligence
- País
- Singapore
- Publicado
- 4 August 2025
- Autores
- Guan Wang, Jin Li, Yuhao Sun, Xing Chen, Changling Liu, Yue Wu, Meng Lu, Sen Song, Yasin Abbasi Yadkori
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language, Vision, Multimodal
- Tarea
- Visual puzzles
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 27M
- Datos de entrenamiento
- tokens
27M
1000 training samples
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open source
Apache 2.0 https://github.com/sapientinc/HRM
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
"With only about 1000 training examples, the HRM (~27M parameters) surpasses state-of-the-art CoT models on inductive benchmarks (ARC-AGI) and challenging symbolic tree-search puzzles (Sudoku-Extreme, Maze-Hard) where CoT models failed completely."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Hierarchical Reasoning Model
- Última actualización
- 11 February 2026
Qué significan los números
Acerca de este modelo
Hierarchical Reasoning Model (HPM) fue publicado por Sapient Intelligence, en el país registrado como Singapore, durante August 2025.
Funciona en el dominio de Language, Vision, Multimodal, y se registra como realizando la tarea de visual puzzles.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
Hierarchical Reasoning Model (HPM) — preguntas comunes
Hierarchical Reasoning Model (HPM)— ¿cuándo fue lanzado?
Se publicó en August 2025.
Hierarchical Reasoning Model (HPM)— ¿Para qué se utiliza?
Funciona en el dominio de Language, Vision, Multimodal, y se registra como manejando la tarea de visual puzzles. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Hierarchical Reasoning Model (HPM)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Hierarchical Reasoning Model (HPM)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Hierarchical Reasoning Model (HPM)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 27M. 27M. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Hierarchical Reasoning Model (HPM)— ¿Quién lo creó?
Fue publicado por Sapient Intelligence, basado en Singapore.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.