令人惊讶，这次并非模型领域的小众狂欢。

一个训练费用仅约1500美元、参数量约1B、完全从零开始预训练的小型模型，成功将HRM推向了下一代推理架构讨论的核心位置。

HuggingFace联合创始人兼CEO Clem Delangue亲自转发并推荐。

图灵奖得主Yoshua Bengio作为合作者参与的最新论文，也走上了同一条潜空间递归推理的技术路线。

更为不同的是，它并非蒸馏、微调产物，也不是在现有大模型能力上的简单封装。

它就是Sapient Intelligence正式推出的HRM-Text。

如果仅关注参数量，它很容易被解读成一个熟悉的故事：“小模型再次获胜。”

但HRM-Text真正值得深入探讨的重点，并非它的“小”或“便宜”，而是其背后HRM架构所提出的一个更为根本的问题：

模型究竟是应该竭尽全力记住全世界的信息，还是应该学会如何思考、如何查找、如何验证、如何行动？

过去数年，大模型行业遵循的默认路径非常简单明了：增加参数、扩充数据、延长训练、扩展Token长度。

HRM则探索了另一条截然不同的道路。

它并非持续将模型打造为愈发庞大的知识库，而是致力于将模型塑造为一个更加强大的推理核心。

大模型好似一个背着沉重图书馆的学生，而HRM则更像一个善于解题、查阅资料、反思复盘并执行行动的人。

当然，真正促使技术社区严肃审视HRM-Text的，并非一次转发，而是一系列打破常规的数据。

一个约1B参数的模型，在MATH上取得了56.2的成绩，在GSM8K上达到84.5，在ARC-Challenge上获得81.9，在DROP上则拿下82.2。

而其训练成本仅为1500美元，在16块H100上运行了不到两天。

没有使用post-training流程，没有RLHF，也未依赖显式的思维链数据。团队同时开放了论文、模型权重和预训练代码。

这意味着，HRM-Text并非在现有大模型能力上进行包装，而是在基础预训练阶段，直接验证了一种全新的架构方法论。

这并非又一个“小模型逆袭”的简单叙事。更准确地，它是一次针对推理模型所进行的底层换脑实验：

并非让模型说出更长的思维链，而是让模型在开口说话之前，先在大脑内部完成思考。

而这一技术路线，很快也出现在了更高级别的学术讨论中。

在HRM-Text发布前后，图灵奖得主Yoshua Bengio作为合作者发布了《Generative Recursive Reasoning》一文。论文中提出的GRAM模型，在核心计算结构上高度复用了HRM的分层递归骨架：同样是高层状态、低层状态、双时间尺度、多轮递归更新，只是在此基础上进一步引入了概率生成模块。

换言之，Sapient并非等待行业给出答案后亦步亦趋，而是率先提出了一个关键问题，并展示了可运行、可开源、可验证的模型系统：

模型能否在生成输出之前，通过潜空间中的多轮分层递归计算，实现更深层次的内部推理？

因此，HRM-Text所提出的问题并不仅仅是：

为何一个1B模型能达到如此高的基准分数？

更为关键的问题是：

Sapient是否提前验证了一条值得下一代推理模型认真对待的全新路径？

当前的推理模型，很多时候像是在“边说边想”。

Chain-of-Thought方法将推理过程写成一系列Token，让模型逐步输出中间环节。

这当然有效，但问题也同样显著：

Token消耗越来越长，计算成本越来越高；只要中间某一步出错，后续就可能一错到底；更为关键的是，推理过程被束缚在语言表面，模型很容易学会生成“看起来像推理的文本”，却未必真正掌握了“推理的内在结构”。

HRM提出了一个更为激进的问题：推理为何一定要通过语言表达出来？

人类在解题时，并非将脑内的每一步思考都转化为一句话。我们会在脑海中反复尝试、修正、排除、回退，最后才说出答案。

HRM希望做到的，正是这一点：将草稿纸从嘴边拿开，放回模型的头脑中。

这就是潜空间推理（latent reasoning）。它并非让模型输出更长的思维链，而是让模型在输出之前，在其内部状态中完成多轮计算。

这也是Sapient从一开始就押注HRM的核心原因。

Sapient押注的从来不是“小模型”本身，而是HRM（Hierarchical Reasoning Model，分层推理模型）。

在大多数团队仍围绕Transformer进行参数、数据和训练技巧优化时，Sapient选择将问题推向更底层：

如果智能并非仅仅源自规模扩张，而是源于计算过程的组织形式，那么模型架构本身是否就应该被重新设计？

HRM的核心思想，是让模型在输出之前，能够在潜空间中进行多轮、分层、递归的状态更新。

2025年，Sapient推出了HRM-Symbolic。

这一模型主要面向数独、迷宫、ARC-AGI等封闭、可验证、强推理任务。这类任务具备明确规则、清晰状态空间和可验证的答案，对组合搜索与多步推理提出了极高要求。

因此，它们非常适合回答第一个问题：

分层递归推理这一架构路线，究竟是否可行？

在HRM的原始论文中，一个仅有27M参数的模型，在没有预训练、没有CoT数据、仅使用约1000个训练样本的情况下，在Sudoku-Extreme、Maze-Hard和ARC-AGI等强推理任务上取得了极为突出的结果。

这一步首先回答了一个问题：

在封闭、可验证、强推理任务中，HRM这条路线能否行得通？

答案是：能。

但这还不够，因为数独并非语言，迷宫也并非开放世界。

于是，HRM-Text回答了第二个难度更高的挑战：

当任务进入自然语言世界，HRM是否依然有效？

这比简单放大模型更为困难。

因为语言并非数独。它更开放、更模糊、更依赖知识，输出形式更灵活，训练过程也更容易不稳定。

因此，HRM-Text的意义，并非仅仅是将HRM-Symbolic进行简单放大。

它是在验证分层递归推理这套架构，能否成功应用于基础语言模型。

从HRM-Symbolic到HRM-Text，Sapient所做的并非一次简单的模型发布，而是一条技术路线的持续推进：

首先在封闭推理任务中验证架构假设，再将架构扩展到开放语言环境，并同步开放论文、代码、模型权重和训练方法，以确保这条路线可以被复现、质疑、比较并继续验证。

这也正是Sapient应当被置于更重要位置的原因。

它并非在追随行业已有的答案，而是提前提出问题，并将一个原本可能停留在理论讨论中的方向，推进成了可运行、可开源、可验证的模型系统。

标准Transformer更像一条流水线

输入数据进入后，一层层向前传递，每层处理一次，最后输出结果。

提升能力的一种直接方法，就是增加层数、参数和训练数据。

HRM的思路则截然不同，它在模型内部设置了两个以不同节奏工作的模块：

一个是高层模块H，一个是低层模块L。你可以将其理解成两个大脑区域。

H是战略大脑。它更新速度较慢，负责把握整体方向、维持长期上下文、决定当前应朝哪个方向思考。

L是执行大脑。它更新速度较快，负责局部计算、细节修正、逐步推动问题向前进展。

关键在于，H和L并非两个外部Agent，也不是两个模型在互相发送消息。它们位于同一个神经网络中，在同一个潜空间内，反复更新同一份内部状态。这就是HRM与普通“多智能体套壳”之间的本质区别。

普通多智能体系统，很多时候是几个LLM用自然语言互相聊天。而HRM则是在模型内部完成分层递归计算。

打个比方：标准Transformer就像一篇文章依次交给30位编辑，每人只修改一次。HRM则更像两组编辑反复打磨同一份稿子：一组快速修改细节，另一组慢慢把握整体方向。最终输出之前，模型已在脑内完成了多轮修正。

这也是HRM-Text与普通小模型最大的区别：

它并非仅仅依靠参数数量来获得能力，而是让有限的参数参与更深层次的有效计算。

HuggingFace模型卡也将HRM-Text描述为H/L双时间尺度递归架构：高层slow、低层fast，在同一输入embedding上反复迭代，从而在有限的参数量下实现更深的有效计算。

换句话说，HRM-Text并非在模型外部拼接一个规划器，而是将分层递归计算内建于模型本身。

它改变的是模型“如何计算”这一根本问题。

参数规模并未无限增长，但计算过程变得更加深入。这就像一个人并非多背几本书，而是学会了在脑海中多转几圈。

如果将HRM-Text描述得过于技术化，很容易变成一篇论文摘要。

但它真正做对的事情，可以用三句话清晰概括。

第一，它改变了模型“如何计算”。

HRM-Text并非简单地堆积更多层，而是让模型在输出前进行多轮内部递归计算。参数规模并未无限增长，但计算过程显著加深。

第二，它改变了模型“学习什么”。

大多数语言模型在训练时，会预测整个文本序列中的每一个token。

问题、提示、上下文、答案，统统需要预测。

HRM-Text则更为直接，它使用instruction-response数据从零开始训练，但仅对回答部分计算损失。

这并不意味着指令部分没有价值。指令仍然作为上下文参与注意力计算，回答部分的损失也会反向影响模型如何理解指令。

但模型不再被要求学习“预测题目本身”，而是将训练信号更集中地用于生成答案、完成任务。

直观理解就是，老师批改试卷时，不再为“抄写题目”打分，而是只看你答案是否正确。这样训练信号就会更集中地落在任务完成上，而非平均分散在整个文本中。

这背后配套使用的是PrefixLM attention mask。

指令部分可以充分整合上下文；回答部分则按因果生成方式输出。结果就是，在decoder-only的实现中，做出了一种近似encoder-decoder的效果。

这部分的关键并非“少预测一些token”这么简单，而是训练信号得到了重新分配。模型更集中地学习如何完成任务，而非平均地学习整个文本序列。

第三，它解决了递归训练容易崩溃的问题。

递归架构并非一个全新的概念。

难点在于，循环越深，训练越容易不稳定。同一组模块被反复调用后，激活值的方差可能累积，梯度也更容易消失或爆炸。

HRM-Text引入了MagicNorm和warmup deep credit assignment，使模型在多轮递归中保持激活稳定，并逐步加深信用分配。

通俗地讲，并非一开始就让模型对所有的深层递归步骤负责。而是先让它学会短路径上的内部计算，再逐步将责任扩展到更深的推理过程。

这表明HRM-Text并非简单地将同一层重复运行几遍，而是在系统性地解决递归计算如何进入语言模型这一难题。

这三件事结合在一起，才是HRM-Text的核心所在：

• 架构负责“如何思考”。
• 目标负责“学习什么”。
• 训练方法负责“思考深入且保持稳定”。

因此，HRM-Text并非一个单一技巧，它是一套全新的基础模型设计方法，将内部计算深度、任务完成目标和稳定递归训练放在同一个系统中进行协同设计。

理论必须结合实践

HRM-Text的几项改进叠加后，带来了显著的性能提升。

在相同的训练FLOPs条件下，ARC-Challenge从51.9提升至81.9；MATH从35.4提升至56.2；GSM8K从48.4提升至84.5。

这表明HRM-Text的性能提升并非源自某个单一技巧，而是架构、训练目标和训练方法共同作用的成果。

它真正做对的事情，是将模型“如何计算”、“学习什么”以及“如何稳定训练”这三个问题放在一起重新设计。

这也正是Sapient这一路线与普通小模型路线最大的区别：

它并非单纯将模型做小，而是重新定义了有限参数如何参与更深层次的内部计算。

在数据量方面，HRM-Text仅使用了约40B unique tokens进行训练。考虑重复采样后，实验表中的总训练量约为60B tokens。

作为对比，Llama 3.2 3B使用了约9T tokens，是其训练量的225倍；Qwen3系列2B使用了约36T tokens，更是达到了约900倍的量级。

但在多个以推理为核心的重度基准测试中，HRM-Text已经能够与一批2B到7B的主流开源模型同台竞技。

这才是HRM-Text真正打破常规的地方：

它并非通过增加参数、延长训练、扩大数据量，将旧路线继续向前推进一步。它是利用全新的计算结构，将有限参数的有效计算深度重新提升起来。

当然，HRM-Text这样的结果，必然会引发外界对训练数据和评测数据污染的担忧。Sapient对此进行了系统性的验证。

HRM-Text仅使用公开且可追溯来源的数据进行训练，并针对评测集进行了严格的数据污染分析。在更严格的clean split条件下，模型依然保持了优势结果。

这说明其表现并非来自简单的测试集数据泄露，而是源于架构和训练方法本身的实质性提升。

也正因如此，HRM-Text的意义并非“1B模型已经获胜”。

而是它让整个行业看到了：模型能力的增长，除了参数、数据和算力之外，或许还存在另一个更为底层的变量——计算结构。

在HRM-Text发布前后，还有一个非常值得关注的信号。

图灵奖得主Yoshua Bengio作为合作者参与了Generative Recursive Reasoning Models，也就是GRAM。

这篇论文并非继续在传统Transformer上堆砌规模，而是将recursive reasoning、latent reasoning和generative modeling融合在一起。

更准确地说，GRAM并非泛泛意义上的“方向相似”，而是在核心计算骨架上高度复用了HRM的设计。

对比两者结构可以发现，HRM中最为关键的几个元素，在GRAM中几乎都能找到一一对应的关系。

第一，高层状态。

HRM拥有高层模块H，用于维持更慢、更稳定、更全局的语义状态。

GRAM中同样存在high-level latent state/high-level recurrent state，用于建模更高层级的推理状态。

第二，低层状态。

HRM拥有低层模块L，用于快速更新局部计算和细节状态。

GRAM中也有low-level latent state/low-level recurrent state，用于承担更细粒度的递归更新。

第三，双时间尺度。

HRM的核心是H/L双时间尺度：低层模块多次更新，高层模块较慢更新。

GRAM同样采用高低层状态之间的递归交互，形成分层、多步的内部计算过程。

第四，潜空间递归。

HRM并非通过外部文本链条完成推理，而是在潜空间中反复更新内部状态。

GRAM也将推理过程放在latent space中进行递归生成，而非简单依赖显式的文本CoT。

第五，输出前的内部计算。

HRM强调模型在输出前先进行多轮内部计算，GRAM同样强调recursive reasoning，即模型在生成前通过递归状态更新形成更深的推理过程。

换句话说，GRAM并非另起炉灶。如果去除GRAM外层新增的概率生成模块，其底层计算逻辑与HRM高度重合：高层状态、低层状态、潜空间递归、多轮内部更新。

这并非简单的“方向相似”，而是核心架构假设上的高度一致。

当然，GRAM并非简单重复HRM。

它在HRM的确定性递归骨架之上，加入了prior、posterior、decoder等概率生成模块，将原本的分层递归推理进一步扩展为概率化、多轨迹的生成式推理框架。

如果说HRM首先提出并验证了“高层—低层双时间尺度递归推理”这一路线，那么GRAM则更像是在这个骨架上增加了一层generative probabilistic wrapper，让模型能够围绕多个潜在推理轨迹进行生成和采样。

这也是为什么GRAM的出现，反而让HRM的重要性更加突出。它并非绕开HRM另起炉灶，而是在HRM已经提出并验证的分层递归骨架上继续加入概率生成机制。

换句话说，Sapient率先将“高层—低层双时间尺度递归推理”做成了可运行系统，而GRAM则进一步将这层骨架包装成概率化、多轨迹的生成式推理框架。

这意味着，Sapient不仅参与了下一代推理模型的讨论，更是提前给出了一个正在被顶尖研究者复用和扩展的基本结构。

在这个意义上，Sapient的HRM已经不仅仅是一个模型架构的名称，而是开始成为下一代推理模型研究中的一个重要参照系。

因此，Sapient在此处的定位不应被写成“一个被Bengio点赞的小模型团队”。更准确的表述是：

Sapient率先将HRM这套分层递归推理架构做成了可运行、可开源、可验证的模型系统；而Bengio参与的GRAM，则进一步表明这套架构思想已经被全球顶尖AI研究者所关注，并被迅速吸收进下一代推理模型的研究框架中。

从这个角度看，HRM-Text的意义不仅仅是一个1B模型取得了优异成绩，而是Sapient提前押中了一条正在被顶尖研究团队跟进的架构路线。

它并非一个孤立的小模型，它更像一个早期信号：

AI推理正在从“写出思维链”转向“形成内部思维结构”。

下一代推理模型，不应只依赖输出更长的文字链条，而应在潜空间中进行更深层次的内部计算。

HRM的贡献，在于率先将高层—低层双时间尺度递归推理做成了可运行、可开源、可验证的模型系统。GRAM则进一步将这种递归潜空间推理推进到概率生成、多轨迹采样的方向。

如果说HRM首先提出并验证了“模型在输出前进行分层递归推理”的骨架，那么GRAM则更像是在这条路线之上加入了generative probabilistic wrapper。

这也正是此次HRM-Text值得被置于更重要位置的原因。

它并非一个孤立的小模型，它更像是下一代推理架构正在发生转向的信号。

1500美元当然不是终点

它也不意味着基础模型研发已经变得轻而易举。

HRM-Text仍然只是一个概念验证（Proof of Concept）。

它还不是一个成熟的聊天模型，也尚未经过完整的post-training、RLHF或大规模产品化验证。其在知识覆盖、真实开放任务表现、长上下文能力、工具使用能力以及规模化能力等方面，都仍有待进一步检验。

但这个数字真正触动行业神经的地方在于：它为基础模型研发重新打开了一种新的可能性。

过去几年，基础模型研发越来越像一项重工业。更大的GPU集群、更长的训练周期、更复杂的数据工程。于是行业很容易形成一种惯性思维：

只有巨头才能探索基础模型、只有巨额算力才能验证新架构、只有Scaling才是唯一正确的路径。

HRM-Text的出现并非否定Scaling，Scaling依然强大。

但它提醒了行业：Scaling并非唯一的入口。

如果模型架构本身能够提高计算效率，如果训练目标能够更加聚焦，如果模型能够将知识存储与推理能力解耦，那么基础模型创新就不一定只能由算力规模来定义。

对企业而言，当前AI落地面临的核心问题，不仅仅是模型能力不足，而是训练成本高昂、基础设施沉重、迭代周期缓慢、试错成本过高。

许多企业并不需要从零训练一个巨型通用模型。它们真正需要的是在特定任务上获得更高效、更可控、更可定制的推理能力。它们需要的是：能够读懂企业私有知识、找到正确资料、分析复杂系统、调用工具、制定规划、验证结果，并在特定任务上持续学习的能力。

HRM-Text提供的启示是：

如果模型架构本身能够提升计算效率，那么企业AI能力建设就无需完全依赖更大的模型和更重的基础设施。

对研究社区而言，HRM-Text的意义则在于，它让更多的架构假设有了被实验验证的机会。

过去几年，基础模型研发越来越像一项重工业。更大的GPU集群、更长的训练周期、更复杂的数据工程，使得大学实验室、创业团队、独立研究者以及开源社区，很难直接参与基础模型层面的前沿实验。

真正令人担忧的并非成本本身，而是许多不同的技术可能性，可能在进入充分验证之前就被过滤掉了。

当一条路线需要巨额资源才能验证时，行业自然更容易沿着最确定、最主流、最资源密集的方向前进。而那些更早期、更具风险、也可能更具突破性的架构假设，往往更难获得充分的实验机会。

Sapient的意义在于，它没有等待巨头先行验证这条路线，而是率先将另一种前沿AI路径做成了可供行业检验的样本。

它没有否定Scaling的力量，但它让行业看到，基础模型创新并非只能由算力规模来定义。

架构、训练目标、递归计算以及开源验证，同样可以成为推动前沿AI发展的关键力量。

从这个意义上看，HRM-Text的价值，并非证明小模型会取代大模型，而是提醒行业：

前沿AI不应该只有一种入口。

Sapient对HRM的长期判断

可以概括为这样一句话：

模型不需要记住一切，但需要学会如何思考、如何查找、如何学习、如何使用信息。

这就是推理与知识解耦（reasoning-knowledge decoupling）。

在初期，它可以像RAG一样，将外部知识接入进来。但更进一步，HRM的目标并非简单地检索文档，而是让模型拥有一个更强大的推理核心：

知道应该查找什么，知道去哪里查找，知道如何判断信息是否可靠，知道如何将新知识融入当前任务，知道如何制定计划、调用工具、验证结果，知道如何将一个复杂任务真正执行完毕。

这与人类更为接近。

人类也并非把所有知识都背在脑子里。真正聪明的人，是懂得问题的结构，知道该找谁、查什么、如何验证、如何行动。

未来，它可以作为底层推理内核Reasoning Core，扮演多种角色。

比如Reliability Diagnostician：诊断复杂系统的稳定性，生成根本原因假设，分析依赖关系、影响范围和回滚计划，并执行安全修复。

比如System Optimizer：分析系统行为，发现性能瓶颈与资源浪费，自动提出或执行优化方案。

比如Data Organizer：将企业内部杂乱的知识、文档、日志、数据库和工作流，组织成可检索、可推理、可学习的记忆系统。

比如Tool Calling Director：决定何时调用哪个工具、API、模型或数据源，规划调用顺序，验证中间结果，直至任务完成。

这就是HRM与普通聊天模型的区别。

聊天模型的核心问题是：如何回答用户？

HRM更关心的问题是：如何完成任务？

从这个角度看，HRM的商业价值也不仅仅是“训练更便宜”。更重要的是，它可能改变企业构建AI能力的方式。

过去，企业想要更强的AI能力，往往只能接入更大的通用模型，再通过提示词、RAG、工具链和Agent框架，将模型能力拼接到业务流程中。

但这种方式的问题也十分明显：系统越来越复杂，调用链越来越长，成本越来越高，结果也越来越难以验证。

HRM所设想的则是另一种结构：

底层是更强的推理核心；外部接入知识库、工具、记忆和环境反馈；模型不需要记住一切，但需要知道如何组织任务、如何使用信息、如何验证结果。

这也意味着，HRM的下一步，不仅仅是更擅长聊天，而是更擅长工作。

HRM的路线也不仅限于语言。

Sapient首先从symbolic reasoning开始，使用数独、迷宫、ARC-AGI这类封闭、可验证的任务，证明了分层递归推理是可行的。

然后推进到HRM-Text，将这套架构带入自然语言模型。

下一步，很自然地就是image、video、audio、robotics以及world models。

因为HRM处理的并非某一种特定的数据格式，它处理的是更为底层的东西：状态、关系、约束、计划、行动、反馈。

这也正是HRM具备omni-modal潜力的原因。

符号、文本、图像、视频、音频、机器人传感器数据，本质上都可以转化为模型内部的状态空间。

如果HRM能够在不同模态中学习“如何组织状态、如何预测变化、如何规划行动”，那么它就不再仅仅是一个语言模型，而可能成为世界模型的一种候选架构。

这也是具身智能（embodied AI）最需要的能力。

机器人不能只会回答。机器人需要理解环境，预测后果，制定动作，并在失败后进行调整修正。

对于这样的系统而言，输出一句漂亮的话毫无意义。

真正重要的是：想清楚，然后做对。

因此，HRM-Text的意义并不局限于语言模型。它更像是Sapient将HRM从符号推理推向开放语言环境的一次阶段性验证。

如果这条路线继续成立，那么HRM的下一步就不只是文本，而可能是更广义的世界建模：理解状态如何变化、理解行动如何产生后果、理解计划如何被执行、理解失败如何被修正。

这也是为什么，HRM的想象空间不应被束缚在“小模型”这个标签里。

真正重要的是，它试图为智能系统提供一个更强大的内部计算结构。

更进一步看，HRM背后是Sapient对通用智能的一种长期判断：

先进AI的探索，不应只是一条被资源规模不断加固的单一路径，而应是一场由更多研究者、开发者、创业团队和开源社区共同推进的技术进程。

Sapient将其长期路线概括为：Lean General Intelligence。

这里的Lean，并非“小”或“便宜”，而是更高效、更可及、更强调计算结构本身。

过去几年，行业已经充分证明了Scaling的力量。但现在，另一个问题正变得越来越重要：

当训练成本越来越高，Token账单越来越重，Agent系统越来越复杂，企业越来越需要可控、可验证、可定制的智能系统时，持续扩大模型规模是否还是唯一的答案？

HRM给出了另一个答案。

不是让模型背下更多知识，而是让模型拥有更强的推理核心；不是让模型输出更长的CoT，而是让模型在潜空间中完成更深层次的计算；不是将所有能力都塞进一个黑箱大模型，而是将推理、知识、工具、记忆和行动重新组织起来。

这就是HRM-Text最重要的意义。

它并非证明1B模型已经获胜，它证明的是AI架构还远未定型。

如果说过去几年，行业的主线是Scaling。

那么接下来，推理模型可能将面临一个新问题：

模型究竟要变得更大，还是要变得更会思考？

Sapient的答案，是HRM。

而HRM-Text，正是这条路线首次进入基础语言模型语境后的公开样本。它尚处于早期，但它足够重要。

因为它提醒了整个行业：AI的未来，不应该只有一条路。

更大的模型将继续发挥重要作用，但更会思考的模型，才可能是下一轮推理架构真正的入口。

从HRM-Symbolic到HRM-Text，再到Bengio参与的GRAM对HRM骨架的高度复用，分层递归推理已经不再仅仅是Sapient的内部路线，而是正在成为下一代推理模型的重要方向。

Sapient的意义，也正在于此：

它并非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。

如果说过去几年，行业已经充分证明了Scaling的力量，那么Sapient正在提醒行业：AI的未来不应该只有一条路。

而Sapient Intelligence，正是在这条新路上最早给出完整答案的先行者之一。

论文链接：
https://arxiv.org/abs/2605.20613
GitHub链接：
https://github.com/sapientinc/HRM-Text
HuggingFace链接：
https://huggingface.co/sapientinc/HRM-Text-1B