Hierarchical Reasoning Model（HRM）は、規模を大きくする代わりに、異なる速さで働く二つの再帰モジュールを組み合わせた推論モデルです。
2025年に公開された研究では、約2700万パラメータのモデルを、数独、迷路、ARCのように正解を明確に判定できる課題で評価しています。
HRMが示したのは、小さなモデルでも、問題に合った構造と学習方法によって難しい探索課題を扱える可能性です。一般向けの対話型大規模言語モデルを、そのまま小型化したものではありません。
HRMが対象とする推論
推論とは、入力された条件から、複数の処理を経て答えを導くことです。
HRMの研究が扱ったのは、自然な文章で幅広い質問に答える課題ではなく、数独の盤面、迷路の経路、ARCの図形変換など、入力と正解の形式が定まった課題でした。
この前提を外すと、「小型モデルが大規模言語モデル全体を上回った」と誤読してしまいます。研究結果は、評価された課題と条件の範囲で読む必要があります。
二つの再帰モジュールが異なる速さで働く
HRMは、次の二つのモジュールを相互に働かせます。
- 高水準モジュール：ゆっくり更新され、問題全体に関わる抽象的な状態を保ちます。
- 低水準モジュール：高水準モジュールの状態と入力を受け取り、より細かな計算を複数回進めます。
低水準モジュールが何度か状態を更新した後で、高水準モジュールが更新されます。この周期を繰り返すことで、一度の予測処理の内部に計算の深さを作るのが基本的な考え方です。
ここでいう「一度の予測処理」は、内部計算が一回だけという意味ではありません。外に長い推論文を出さなくても、内部状態を反復更新して答えへ近づくという意味です。
Chain-of-Thoughtとの違い
Chain-of-Thought（CoT）は、途中の考え方を文章として順番に出力させる手法です。
HRMの実験では、途中の推論文を教師データとして与えず、入力と正解の組から学習しています。内部状態を使うこの考え方は、文章としての途中経過を生成するCoTとは区別して読む必要があります。
研究結果から読み取れること
研究チームは、事前学習やCoTの教師データを使わず、各課題で約1000件の学習例を用いた結果を報告しています。
| 評価課題 | 研究で示された内容 | 解釈するときの注意 |
|---|---|---|
| 難しい数独 | 正解に近い高い精度を報告 | 盤面形式が固定された課題であり、文章生成能力の評価ではない |
| 30×30の迷路 | 最適経路を探す課題で高い性能を報告 | 実際の物流やロボット制御を直接検証した結果ではない |
| ARC | 研究内の比較対象となった大規模モデルを上回る結果を報告 | データ構成、拡張方法、試行回数を含む評価条件に依存する |
これらは研究チームが設定したベンチマークでの結果です。業務データの揺れ、誤入力、例外処理、利用する機器の制約まで含めた実運用性能を保証するものではありません。
一般的な大規模言語モデルとの違い
| 比較項目 | HRM | 一般的な大規模言語モデル |
|---|---|---|
| 研究上の主な対象 | 正解形式が定まった探索、変換課題 | 文章の理解と生成を中心とする幅広い課題 |
| 公表された規模 | 約2700万パラメータ | モデルごとに異なり、正確な規模が公表されない場合もある |
| 学習条件 | 各課題で約1000件、事前学習なし | 通常は大規模な事前学習を経て利用される |
| 途中の処理 | 二つの内部状態を異なる周期で反復更新 | トークンを順番に処理し、必要に応じて推論文を生成 |
| 得意分野の見方 | 研究で検証された構造化課題 | 対話、要約、文章作成など、モデルごとの対応領域 |
したがって、パラメータ数だけを並べても、どちらが優れているかは決まりません。解きたい課題、正解の定義、許容する遅延、利用できる計算資源をそろえて比較する必要があります。
速度とエッジ実装をどう評価するか
「大規模モデルより100倍高速」という比較は、共通の機器、実装、入力、測定方法が示されていなければ再現できません。
約2700万パラメータという規模はHRMの特徴ですが、それだけでスマートフォンや組み込み機器に実装できるとは判断できません。実行時のメモリ使用量、対応する演算、前処理、消費電力、応答時間も実機で確かめる必要があります。
エッジ利用を検討するときは、次の順で評価すると比較しやすくなります。
- 対象業務の入力と、正解とみなす出力を固定する。
- 候補機器上で、精度、応答時間、メモリ使用量を同じ条件で測る。
- 既存のアルゴリズムや小型モデルを基準にして差を確認する。
- 誤答時に止める条件と、人が確認する範囲を決める。
活用候補は課題の形から選ぶ
HRMの研究結果に近いのは、制約と正解を明示でき、探索や反復計算が必要な課題です。
- 経路や順序の最適化：制約条件と良い結果の基準を数値で定義できる場合に、検証候補になります。
- 組み込み機器での判定：利用機器上で必要な精度と応答時間を満たすかを、試作段階で測る必要があります。
- 学習教材の正誤判定：答えを判定する処理と、学習者に説明する文章の品質を分けて評価します。
これらは研究結果から考えられる検討例であり、すでに商用導入の効果が確認された用途という意味ではありません。最初から業務全体を置き換えず、小さな検証用データで既存手法と比べる進め方が安全です。
一次資料と関連情報
HRMを評価するときの結論
HRMは、約2700万パラメータと二層の再帰構造によって、特定の構造化課題で高い性能を示した研究です。
評価の焦点は、「大規模言語モデルより小さいか」ではなく、「対象業務を研究と同じように定義でき、同じ条件で既存手法より良い結果を出せるか」にあります。ベンチマークの数字を導入効果へ読み替えず、実際のデータと機器で確かめることが判断の出発点です。
この記事に関連する株式会社greedenの取り組み
HRMのような新技術は、性能表だけで採否を決めず、業務課題と検証条件をそろえることが出発点です。株式会社greedenは、生成AIを用いた施策について、ツール選定から業務フロー改善、システム実装まで支援します。