Une avancee importante dans la recherche sur l'intelligence artificielle (IA) vient d'etre annoncee lorsque des scientifiques de la societe AI Sapient (Singapour) ont presente un modele de theorie de la repartition (HRM) inspire de la façon dont le cerveau humain traite les informations.
Les resultats des tests montrent que le HRM est superieur a de nombreux grands modeles linguistiques (LLM) actuels dont ChatGPT.
Contrairement aux LLM courants bases sur des milliards voire des milliers de milliards de parametres HRM n'utilise que 27 millions de parametres et 1 000 modeles de formation mais affiche toujours une efficacite exceptionnelle.
Selon l'equipe de recherche HRM simule le mecanisme de repartition et de multitache du cerveau avec un module de haut niveau de traitement de planification lente et abstrait ; un module de bas niveau de traitement detaille et rapide.
Grace a cela le HRM peut etudier de maniere ordonnee en une seule etape au lieu de passer par de nombreuses etapes complexes comme la methode de la chaîne de pensee (CoT) qui est souvent appliquee dans les LLM modernes.
Dans les tests standard ARC-AGI la mesure du progres vers l'intelligence artificielle generale (AGI) - HRM a obtenu des resultats impressionnants.
Dans l'ARC-AGI-1 le modele a atteint 40 3 % depassant OpenAI 03-mini-high (34,5 %) Claude 3.7 (21 2 %) et DeepSeek R1 (15 8 %). Dans l'ARC-AGI-2 plus difficile HRM a toujours atteint 5 % tandis que de nombreux autres modeles n'ont presque pas reussi a le depasser.
Il est a noter que HRM a egalement reussi a resoudre le Sudoku et a trouver le chemin du desert - des problemes que les LLM echouent souvent.
Un autre point particulier de l'HRM est sa capacite a 'ajuster en repetition' en commençant par une reponse grossiere puis en s'ameliorant progressivement a travers de nombreuses reflexions courtes et des tests continus pour s'arreter lorsqu'il y a un resultat optimal. Cette approche aide le modele a traiter les problemes de maniere logique avec une structure plus efficace.
Cependant les experts soulignent que la recherche n'a ete publiee que sur la base de donnees arXiv et n'a pas ete approuvee.
Le groupe d'evaluation ARC-AGI a confirme de nombreux resultats apres que HRM ait ete open source mais a estime que l'amelioration ne provenait pas entierement de l'architecture de repartition mais pourrait etre liee au processus d'ajustement dans l'entraînement.
Bien qu'il doive encore etre verifie davantage l'HRM ouvre des perspectives de developpement de modeles d'IA compacts et economes en donnees mais qui ont une forte capacite de raisonnement ce qui est un pas plus pres de l'ere de l'intelligence artificielle globale.
