Sapient wettet, dass winzige Modelle LLMs beim Schlussfolgern schlagen; Open-Source-HRM erreicht 11,4K Sterne

Sapient Intelligence entwickelt vom Gehirn inspirierte KI-Architekturen, beginnend mit dem Hierarchical Reasoning Model (HRM) – einem rekurrenten System aus zwei Modulen (langsamer Planer plus schneller Ausführer), das auf komplexe, deterministische Schlussfolgerungsaufgaben abzielt, an denen LLMs scheitern, mit Unternehmensanwendungen in Robotik, Logistik, Gesundheitswesen und Klimavorhersage.

Dass vom Gehirn inspiriertes hierarchisches Schlussfolgern – ein langsamer Planer plus schneller Ausführer – skalierte Transformer übertrifft, mit 27 Mio. Parametern und 1.000 Beispielen.

22 Mio. US-Dollar Seed-Finanzierung bei einer Bewertung von 200 Mio. US-Dollar, angeführt von Vertex Ventures, Sumitomo Group und JAFCO (angekündigt im Dezember 2024).

Sapient Intelligence wurde 2024 in Singapur von Guan Wang und Austin Zheng gegründet und trat an, die Annahme infrage zu stellen, dass bessere KI größere Modelle bedeutet. Das Team argumentierte, dass autoregressive Transformer-LLMs bei langfristigem, mehrstufigem Schlussfolgern schwach sind, und wandte sich der Neurowissenschaft zu: Das Gehirn organisiert Berechnungen hierarchisch über Regionen, die auf unterschiedlichen Zeitskalen arbeiten (VentureBeat; Digit).

Im Dezember 2024 kündigte das Startup eine Seed-Finanzierung von 22 Mio. US-Dollar bei einer Bewertung von 200 Mio. US-Dollar an, angeführt von Vertex Ventures, Sumitomo Group und JAFCO (Digit). Mitte 2025 veröffentlichte es HRM: zwei gekoppelte rekurrente Module – ein langsamer Planer auf hoher Ebene und ein schneller Ausführer auf niedriger Ebene –, die eine „hierarchische Konvergenz“ mit 27 Mio. Parametern ermöglichen, trainiert auf etwa 1.000 Beispielen pro Aufgabe. VentureBeat berichtete über einen ARC-AGI-Wert von 40,3 % (gegenüber 34,5 % für o3-mini-high), nahezu perfekte Ergebnisse bei Sudoku-Extreme und Maze-Hard (wo Chain-of-Thought-Modelle 0 % erzielten) und eine behauptete etwa 100-fache Beschleunigung bei der Aufgabenlösung. Der Code wurde im August 2025 auf GitHub veröffentlicht und wurde zu einem Eintrag im ROSS Index Q4 2025: 11,4K Sterne, 11,4-faches Wachstum, Stand 24.10.2025.

Autoregressive LLMs sind bei langfristigem mehrstufigem Schlussfolgern schwach, daher zielte Sapient auf eine echte Lücke statt auf direkte Konkurrenz bei Sprachaufgaben.

Ein Modell mit 27 Mio. Parametern und 1.000 Trainingsbeispielen ist eine falsifizierbare, reproduzierbare Behauptung – die Open-Source-Veröffentlichung verwandelte Benchmark-Ergebnisse in Vertrauen der Community und GitHub-Sterne.

Die Seed-Bewertung von 200 Mio. US-Dollar beruhte auf der Architektur, nicht auf einem Produkt: Investoren wetteten darauf, dass vom Gehirn inspirierte hierarchische Berechnung zu einer allgemeinen Schlussfolgerungsschicht werden könnte statt zu einem weiteren Modellwettlauf.

Durch die Ausrichtung auf deterministische, latenzempfindliche Bereiche (Robotik, Logistik, Diagnostik) wählte Sapient Probleme, bei denen „klüger, kleiner und schneller“ einen klaren wirtschaftlichen Wert hat.

Sapients Hebel war Evidenz: Ein kleines, offenes, reproduzierbares Modell, das Giganten bei schwierigen Benchmarks schlägt, ist überzeugender als jedes Paper – GitHub-Sterne als Glaubwürdigkeitsmotor.

Stand 2. September 2026 ist Sapient Intelligence aktiv und seed-finanziert: HRM bleibt auf GitHub Open Source (11,4K Sterne bis Ende Oktober 2025, ROSS Index Q4 2025), und das Unternehmen erklärt, HRM von einem spezialisierten Problemlöser zu einem allgemeineren Schlussfolgerungsmodul weiterzuentwickeln, mit ersten Arbeiten in Gesundheitswesen, Klimavorhersage und Robotik – einschließlich einer berichteten Genauigkeit von 97 % bei saisonalen Klimavorhersagen (Korben, 27.08.2025).