Bangun dengan CometAPIButuh satu API untuk banyak model?Uji alur kerja di Playground, lalu buat API key saat model dan biayanya sesuai dengan use case Anda.
Tencent Hunyuan memperkenalkan Hyra 2.0 pada November 2, 2026 sebagai sebuah Harness riset untuk mengembangkan model ilmiah, alat perangkat lunak, dan alur kerja yang dapat digunakan kembali. Fitur utamanya adalah koordinasi persisten di sepanjang eksperimen multi-hari atau multi-pekan.
Rilis publik saat ini mencakup artefak riset terpilih—model, kode, bobot, dan laporan—alih-alih layanan Hyra 2.0 ter-host yang tersedia secara umum. Per November 4, 2026, materi publik Tencent belum mendokumentasikan API orkestrasi general-purpose atau paket langganan.
Key Takeaways
Tujuan riset: Hyra 2.0 mengembangkan model ilmiah dan alat yang dapat digunakan kembali untuk mendukung lebih dari satu proyek riset.
Koordinasi persisten: Agen Overall, Mission, dan Worker membagi tanggung jawab, sementara antrean dan catatan riset menjaga progres di seluruh eksperimen panjang.
Pengetahuan yang dapat digunakan ulang: Memori agen, Books, dan keterampilan riset menyimpan temuan beserta bukti pendukung serta kondisi penggunaannya.
Ditinjau untuk kejelasan, atribusi sumber, dan terminologi API terkini.
Hasil spesifik tugas: Model protein, force field, dan sel yang dirilis menangani beban kerja ilmiah yang berbeda; kecepatan dan kualitas sebaiknya dinilai bersama.
Akses praktis: Mulailah dari artefak riset yang tersedia. Hyra Harness lengkap dan API model Hunyuan ter-host adalah penawaran yang berbeda.
What Is Tencent Hunyuan Hyra 2.0?
Hyra 2.0 merupakan singkatan dari Hunyuan Research Agent 2.0, sebuah sistem multi-agen yang dirancang untuk mengotomatisasi alur kerja riset ilmiah dan rekayasa yang kompleks.
Tencent memposisikan Hyra 2.0 sebagai pergeseran dari menyelesaikan masalah terisolasi menuju pengembangan model, metode, dan infrastruktur yang digunakan untuk menyelidiki kelas pertanyaan yang lebih luas.
Hyra 2.0 bukan model fondasi berdiri sendiri dengan jumlah parameter atau jendela konteks tetap. Ini adalah sistem orkestrasi yang dapat menggunakan berbagai model AI, mengeksekusi kode, mengelola eksperimen ilmiah, dan mengoordinasikan agen riset spesialis.
Riset ilmiah melibatkan lebih dari sekadar penalaran. Sebuah proyek lengkap dapat mencakup desain eksperimen, implementasi, pelatihan, debugging, evaluasi, dan revisi berulang. Aktivitas ini bisa berjalan selama beberapa hari atau pekan, sering kali melibatkan eksperimen paralel dan sumber daya komputasi bersama.
Hyra 2.0 mengatasi tantangan operasional ini dengan menggabungkan kecerdasan model dengan eksekusi persisten, kolaborasi terstruktur, dan verifikasi berbasis bukti.
Hyra 2.0 Technical Specifications
Specification
Hyra 2.0
Developer
Tencent Hunyuan
Public announcement
November 2, 2026
System category
Autonomous scientific research agent
Core architecture
Hierarchical multi-agent Harness
Agent roles
Overall, Mission, Worker
Research execution
Long-running, concurrent workflows
Task management
Persistent task queue
Collaboration
Research Board dan pesan antar-agen
Verification
Hasil berbasis bukti dan Review Worker independen
Memory
Status proyek, memori agen berlapis, Books bersama
Knowledge reuse
Temuan tervalidasi dan keterampilan yang dapat digunakan kembali
Model flexibility
Worker berbeda dapat memakai model dasar yang berbeda
Research environments
WeCom, platform komputasi, repositori kode
Human oversight
Titik persetujuan untuk operasi yang konsekuensial
Public artifacts
Model terpilih, kode sumber, bobot terlatih, laporan teknis
Spesifikasi sistem menggambarkan kemampuan orkestrasi dan risetnya. Model ilmiah individual yang dibuat oleh Hyra 2.0 memiliki arsitektur, jumlah parameter, dan tolok ukur kinerja terpisah.
Why Hyra 2.0 Builds Tools
Peralihan dari Hyra 1.0 ke Hyra 2.0 menjawab keterbatasan mendasar dalam riset terotomasi: berhasil menyelesaikan satu masalah tidak serta merta meningkatkan kemampuan sistem untuk menyelesaikan masalah berikutnya.
Hyra 1.0 memakai loop agen yang relatif sederhana untuk menghasilkan solusi, menjalankan evaluasi, dan meningkatkan hasil melalui upaya berulang. Didukung oleh model open-source Hy3 dari Tencent, Hyra 1.0 membantu menyelesaikan eksponen optimal yang menghubungkan sumset dan difference set, dengan bukti yang diperiksa mesin dirilis bersamaan dengan hasilnya. Perbedaan ini penting: hasil matematis yang dievaluasi adalah keluaran konkret, sementara peningkatan pada proses riset dapat digunakan kembali di masalah-masalah berikutnya.
Tantangan berikutnya adalah membuat progres riset terakumulasi.
From Answers to Reusable Capabilities
Pertimbangkan tiga tingkat otomasi matematis:
Sebuah agen menyelesaikan satu masalah matematika individual.
Sebuah agen mengembangkan alur kerja pembuktian yang dapat menyelesaikan masalah serupa.
Sebuah agen meningkatkan model penalaran dan alat verifikasi yang digunakan oleh sistem riset di masa depan.
Yang pertama menghasilkan jawaban. Yang kedua menghasilkan metode yang dapat digunakan kembali. Yang ketiga dapat meningkatkan kemampuan riset yang mendasarinya.
Hyra 2.0 menargetkan tingkat kedua dan ketiga.
Tencent menggambarkan dua kategori alat yang dapat digunakan kembali. Symbolic tools mengekspresikan kapabilitas melalui kode, algoritme, aturan, dan alur kerja. Contohnya termasuk sistem verifikasi terotomasi, algoritme pencarian ilmiah, dan pipeline manajemen eksperimen. Parametric tools menyimpan kapabilitas yang dipelajari dalam bobot model, termasuk model desain protein dan model fondasi ilmiah.
Meningkatkan salah satu kategori dapat menguntungkan banyak tugas hilir tanpa mengharuskan setiap proyek riset memulai dari titik yang sama.
The Direction Toward Recursive Self-Improvement
Hyra 2.0 juga menciptakan jalur menuju perbaikan diri rekursif. Riset model fondasi bergantung pada infrastruktur pelatihan, pipeline data sintetis, algoritme optimisasi, dan sistem inferensi.
Jika agen AI meningkatkan alat-alat ini, mereka dapat membantu mengembangkan model yang lebih kuat. Model yang lebih kuat itu kemudian dapat berpartisipasi dalam putaran pengembangan alat berikutnya.
Lebih baik perangkat riset → model AI lebih kuat → agen riset lebih kapabel → perangkat riset lebih baik.
Tencent menggambarkan penerapan Hyra pada infrastruktur pretraining, pembuatan data pascapelatihan, dan optimisasi inferensi. Ini menciptakan loop umpan balik yang masuk akal antara pengembangan alat dan pengembangan model. Ini sendiri tidak menetapkan perbaikan rekursif tanpa batas atau sepenuhnya otonom; setiap peningkatan yang diusulkan tetap memerlukan eksperimen yang mengisolasi efeknya.
How Does the Hyra 2.0 Harness Architecture Work?
Harness adalah inovasi rekayasa pusat Hyra 2.0. Loop agen konvensional dapat mengeksekusi alat, menginspeksi hasil, dan melanjutkan penalaran di dalam satu sesi. Pengembangan model ilmiah membutuhkan lingkungan eksekusi yang lebih canggih.
Eksperimen dapat berjalan selama berjam-jam, job pelatihan mungkin memakan waktu berhari-hari, dan arah riset yang terpisah dapat membutuhkan sumber daya komputasi serta metode validasi yang berbeda. Hyra 2.0 mengatasi kebutuhan ini melalui tiga lapisan agen, penjadwalan tugas persisten, catatan riset terstruktur, dan verifikasi independen.
Diagram arsitektur resmi Hyra 2.0 Tencent Hunyuan menampilkan hierarki, antrean kerja persisten, proses review, dan penyimpanan terpisah untuk status proyek, memori agen, serta pengetahuan bersama.
Overall: Research Coordination and Resource Management
Overall adalah lapisan koordinasi tertinggi. Ia berkomunikasi dengan peneliti manusia, menjaga keselarasan dengan tujuan riset, mengelola prioritas, dan mengoordinasikan sumber daya komputasi.
Tanggung jawabnya termasuk menentukan proyek mana yang harus menerima sumber daya tambahan dan mengidentifikasi keputusan yang memerlukan persetujuan manusia. Dengan demikian, Overall berfungsi sebagai lapisan koordinasi antara aktivitas riset otonom dan manajemen riset manusia.
Mission: Long-Term Research Planning
Setiap Mission bertanggung jawab atas sebuah masalah riset tertentu. Mission menjaga arah riset di sepanjang banyak eksperimen, mengorganisasi Worker, menafsirkan hasil, dan memutuskan apakah sebuah hipotesis layak ditelusuri lebih lanjut.
Mission juga menentukan kapan pendekatan riset harus direvisi atau ditinggalkan. Ini menciptakan kontinuitas di sepanjang proyek jangka panjang tanpa mengharuskan satu sesi agen mempertahankan setiap tindakan perantara.
Worker: Experiment Execution and Independent Exploration
Worker melaksanakan tugas riset spesialis. Tanggung jawabnya mencakup membaca kode, mengimplementasikan algoritme, menjalankan eksperimen, mendiagnosis kegagalan, dan mengusulkan pendekatan alternatif.
Worker dapat menantang keputusan Mission, dan Worker yang berbeda dapat menggunakan model dasar yang berbeda. Struktur ini mendukung eksplorasi paralel dan mengurangi ketergantungan pada jalur penalaran satu agen.
Persistent Scheduling and Research Board
Hyra 2.0 menempatkan tugas riset ke dalam antrean persisten. Scheduler mempertimbangkan prioritas tugas, dependensi, dan sumber daya yang tersedia saat meluncurkan Worker.
Ketika satu eksperimen menunggu hasil pelatihan atau persetujuan manusia, tugas lain dapat berlanjut. Agen juga dapat menjadwalkan aktivasi berikutnya setelah sebuah eksperimen selesai.
Research Board mencatat hipotesis, temuan, bukti, dan keputusan besar. Ini memisahkan status persisten proyek riset dari percakapan agen individual.
Independent Verification and Human Approval
Kesimpulan Worker harus didukung oleh bukti eksperimental, seperti versi kode, log eksekusi, hasil evaluasi, atau jejak asli.
Ketika sebuah hasil membutuhkan pemeriksaan tambahan, Review Worker terpisah dapat secara independen menginspeksi masalah asal dan bukti. Proses ini membantu mengidentifikasi kesimpulan yang tidak didukung dan kesalahan implementasi sebelum memengaruhi riset berikutnya.
Operasi komputasi berbiaya tinggi dan perubahan pada pengetahuan tim bersama tetap tunduk pada persetujuan manusia. Arsitektur ini menggabungkan eksekusi otonom dengan titik pemeriksaan eksplisit untuk keputusan yang konsekuensial.
Books: Turning Research Experience Into Skills
Hyra 2.0 memisahkan informasi ke dalam tiga kategori penyimpanan:
Project state: Antrean tugas, catatan kolaborasi, dan progres riset.
Agent memory: Pemahaman saat ini, hipotesis, pendekatan yang ditolak, dan rencana masa depan.
Books: Pengetahuan yang dapat digunakan kembali dan dibagikan di seluruh proyek riset.
Books mengategorikan informasi menjadi observasi, temuan tervalidasi, dan konvensi. Satu eksperimen dapat menghasilkan sebuah observasi. Temuan yang direproduksi secara independen dapat menjadi pengetahuan tervalidasi. Konvensi yang memengaruhi perilaku tim memerlukan konfirmasi manusia.
Selama tinjauan proyek, metode yang dapat digunakan kembali dapat diubah menjadi keterampilan. Prosedur verifikasi numerik yang berhasil atau metode mendiagnosis ketidakstabilan pelatihan dapat menjadi komponen yang dapat digunakan kembali untuk alur kerja riset di masa depan.
Mekanisme ini memungkinkan sistem untuk mempertahankan peningkatan operasional melampaui sesi individual.
What Research Results Has Hyra 2.0 Achieved?
Hasil awal Hyra 2.0 mencakup model ilmiah, riset matematika, komputasi kuantum, robotika, analisis single-cell, dan rekayasa perangkat keras.
Repositori riset resmi berisi implementasi terpilih, bobot, laporan, dan artefak verifikasi. Ringkasan di bawah ini merangkum hasil yang dilaporkan Tencent; subseksi berikut menjelaskan kondisi uji dan ketersediaannya. Ini adalah tugas ilmiah yang berbeda, bukan satu peringkat kemampuan agen general-purpose.
Research output
Technical scale or metric
Reported achievement
HyInv
1.96M parameters
Generasi urutan protein 57× lebih cepat daripada ProteinMPNN
HyPLM-Flash
650M parameters; 726B training tokens
130,000 residues/s pada satu H20; kualitas kompetitif di 32 tugas
HyFF
Lima model; 2.3M–1.2B parameters
Pareto frontier akurasi-kecepatan terhadap 16 model publik
HyCell
16.1M parameters; 512-dimensional embeddings
Skor keseluruhan 0.735 di tujuh atlas sel held-out
HyProver
Alur kerja pembuktian matematis
Hasil terkait dugaan Petty dan dugaan circle-action Yau
HyQEC
Kode kuantum [[488,123,22]]
Metrik efisiensi 122.0; sekitar 48% di atas pemimpin tantangan sebelumnya
Spiral Hand
Desain robotik lima jari
Rotasi objek 28.6% lebih cepat dalam simulasi DR5
XiangShan RISC-V
Kinerja SPEC CPU2006
Skor per GHz 5.79% lebih tinggi dengan peningkatan area 0.3%
Hasil ini menunjukkan berbagai tipe keluaran riset, bukan satu skor agen general-purpose.
HyInv: 57× Faster Protein Inverse Folding
HyInv menghasilkan urutan protein untuk backbone target. Model 1.96M parameternya dilaporkan berjalan 57× lebih cepat daripada ProteinMPNN. Waktu 50.6 ms untuk 128 desain dilaporkan menggunakan backbone 402 residu, satu H20 dan BF16, tidak termasuk kompilasi dan penangkapan graf CUDA. Anggap ini sebagai kecepatan generasi warm; penyaringan struktural tetap berkontribusi pada siklus desain penuh.
HyPLM-Flash: High-Throughput Protein Language Modeling
HyPLM-Flash adalah model bahasa protein 650M parameter yang dilatih pada 726B token. Dalam evaluasi rilis 28-checkpoint, 32-tugas, skor ProteinGym-nya terikat secara statistik dengan encoder sebanding. Inferensi INT8 mencapai sekitar 130,000 residues/s pada satu H20; BF16 lebih disukai ketika perbedaan representasi kecil memengaruhi analisis hilir. Figur peluncuran di bawah menggunakan cakupan evaluasi berbeda.
HyFF: Faster Molecular Simulation With Five Model Sizes
HyFF memprediksi energi molekuler dan gaya atom, dengan lima ukuran model yang mencakup 2.3M–1.2B parameter. Pada perbandingan OMol25 yang dilaporkan, Andante mengombinasikan galat gaya serupa dengan UMA-S-1.2 (7.65 versus 7.55 meV/Å) dan dinamika molekuler 29× lebih cepat. Largo melaporkan galat energi lebih rendah daripada DPA4-Pro (0.364 versus 0.380 meV/atom) dan kecepatan 9.7× lebih tinggi. Pilih ukuran dengan menguji akurasi dan runtime pada molekul yang ingin Anda simulasikan.
HyCell: A Single-Cell Embedding Model
HyCell memetakan hitungan ekspresi gen sel manusia ke embedding 512 dimensi dengan model 16.1M parameter. Di tujuh atlas sel held-out, skor kompositnya 0.735, mendekati Stack 0.736. Skor itu menggabungkan konservasi biologis, koreksi batch, dan transfer anotasi; ini bukan akurasi klasifikasi. Periksalah metrik komponen yang relevan dengan studi Anda.
HyProver: Reusable Workflows for Mathematical Research
HyProver mengorganisasi pekerjaan matematis menjadi eksplorasi, pengembangan bukti, dan review. Hasil yang dilaporkan menegakkan kasus berdimensi lima dari dugaan equilateral-set Petty dan memberikan contoh tandingan untuk bentuk tak terbatas dari dugaan circle-action Yau. Hasil ini memiliki batas spesifik: dugaan Petty belum diselesaikan di setiap dimensi, dan formulasi simply connected dari dugaan Yau tetap terbuka.
HyQEC: A 48% Improvement in Quantum-Code Efficiency
HyQEC mencari kode koreksi galat kuantum dan memeriksa jaraknya. Tencent melaporkan konstruk [[488,123,22]] dengan metrik efisiensi kd²/n sebesar 122.0, sekitar 48% di atas pemimpin tantangan sebelumnya di bawah batasan yang dinyatakan. Ini mengukur efisiensi kode, bukan kinerja perangkat keras kuantum. Per November 5, 2026, rilis resmi mencakup alat hyqec-verify dan hyqec-check, tetapi masih mencantumkan berkas kode dan sertifikat konstruk khusus ini sebagai bukti yang akan dirilis. Alat publik dan bukti yang dapat direproduksi publik untuk hasil spesifik adalah tonggak yang terpisah.
Spiral Hand: AI-Designed Robotic Morphology
Spiral Staircase Hand dari Hyra menggunakan jari yang semakin panjang di sekitar telapak. Tencent melaporkan rotasi objek 28.6% lebih cepat dan 21% target yang diselesaikan lebih banyak daripada baseline Dextra dalam simulasi DR5 setelah anggaran fine-tuning kebijakan yang sama. Validasi perangkat keras fisik masih tertunda.
XiangShan: Processor Optimization and Formal Verification
Untuk prosesor XiangShan RISC-V, Tencent melaporkan peningkatan 5.79% dalam skor SPEC CPU2006 per GHz, frekuensi inti tidak berubah, dan peningkatan area 0.3%. Pekerjaan ini juga menemukan sepuluh bug yang sebelumnya tidak dilaporkan dan contoh tandingan koherensi cache. Hasil ini berlaku untuk desain dan beban kerja yang dievaluasi, bukan semua sistem RISC-V.
How Should Researchers Interpret Hyra 2.0's Benchmarks?
Bacalah setiap tolok ukur dalam beban kerjanya sendiri. Bandingkan input, perangkat keras, presisi, dan batas waktu yang sama, lalu nilai kualitas keluaran bersamaan dengan runtime. Untuk klaim ilmiah, inspeksi kode pendukung, data, bukti, atau sertifikat: hasil yang dilaporkan dan hasil yang direproduksi secara independen memberikan tingkat bukti yang berbeda.
Can Developers Use Hyra 2.0 Through an API?
Per November 4, 2026, materi Hyra publik menggambarkan keluaran riset dan rilis terpilih. Mereka tidak mendokumentasikan API orkestrasi Hyra 2.0 yang tersedia secara umum, harga langganan, atau paket deployment lengkap. Pengumuman riset dan artefak yang dapat diunduh karenanya harus dibedakan dari akses ter-host ke sistem lengkap.
Materi yang tersedia publik berfokus pada hasil riset dan artefak terpilih. Pengembang dapat mengakses model tertentu yang dibuat melalui Hyra, termasuk HyInv, HyPLM-Flash, HyFF, dan HyCell, melalui repositori riset terkait.
Hyra 2.0 Harness lengkap harus dibedakan dari keluaran yang dapat diunduh tersebut.
Hyra 2.0 and Hosted Hunyuan APIs
Pengembang dapat mengakses Tencent Hy4 melalui CometAPI menggunakan ID model hy4. Ini menyediakan inferensi model ter-host untuk aplikasi seperti coding, analisis, dan alur kerja agen. Ini tidak menyediakan Hyra 2.0 Harness riset lengkap; model ilmiah yang dikembangkan melalui Hyra tersedia terpisah melalui repositori riset Tencent.
What Would Make Hyra 2.0 Useful in a Research Team?
Mulailah dengan satu artefak yang dirilis dan beban kerja referensi kecil. Setelah itu berjalan dengan sukses, uji data lokal representatif dengan ambang kualitas tetap dan anggaran komputasi. Simpan revisi repositori, bobot, lingkungan, input, dan output bersama-sama sehingga rekan dapat mereproduksi hasilnya. Tambahkan koordinasi multi-agen persisten ketika waktu tunggu panjang, eksperimen yang saling bergantung, atau hipotesis yang bersaing membuatnya berguna.
Conclusion
Hyra 2.0 menghadirkan perencanaan riset, eksekusi eksperimen, dan pengetahuan yang dapat digunakan kembali ke dalam satu alur kerja persisten. Keluaran ilmiahnya merupakan titik awal yang menjanjikan untuk pekerjaan lebih lanjut. Bagi tim riset, uji praktisnya adalah apakah artefak yang dirilis meningkatkan eksperimen nyata dan menghasilkan bukti yang dapat diperiksa dan direproduksi orang lain.
FAQ
How should a lab budget its first Hyra artifact trial?
Anggarkan untuk tiga tahap: menyiapkan lingkungan yang dapat direproduksi, menjalankan kasus referensi kecil, dan mengevaluasi beban kerja lokal yang representatif. Sertakan waktu persiapan dan review serta penggunaan akselerator. Pilih kriteria penerimaan sebelum memulai, seperti mempertahankan tingkat kualitas yang disyaratkan sambil mengurangi waktu putar. Uji awal harus cukup kecil untuk mendiagnosis kegagalan tanpa mengalokasikan sumber daya yang diperlukan untuk kampanye riset penuh.
What should a reproducibility package contain?
Simpan revisi repositori, pengenal bobot model, versi lingkungan, asal-usul data input, konfigurasi, seed acak bila relevan, dan output evaluasi bersama. Catat setiap perubahan pada contoh yang dipublikasikan. Ketika sebuah hasil bergantung pada bukti atau sertifikat, pertahankan versi checker dan outputnya juga. Paket harus memungkinkan peneliti lain membedakan masalah perangkat lunak, input yang berubah, dan perbedaan nyata dalam hasil ilmiah.
How can researchers avoid benchmark contamination?
Pisahkan data yang digunakan untuk memilih model atau menyetel pengaturan dari data yang digunakan untuk evaluasi akhir. Bekukan protokol akhir sebelum membandingkan kandidat, dan dokumentasikan setiap overlap dengan data pretraining atau pengembangan yang dapat ditetapkan. Untuk dataset ilmiah baru, gunakan split yang mencerminkan setting deployment yang diinginkan, seperti studi held-out atau kondisi eksperimen. Skor tinggi kurang informatif jika contoh evaluasi berulang kali membentuk sistem yang diuji.
How should teams handle conflicting agent conclusions?
Bandingkan eksperimen yang mendasarinya alih-alih menggabungkan kesimpulan melalui voting mayoritas. Periksa apakah agen menggunakan versi dataset, asumsi, metrik, dan konfigurasi perangkat lunak yang sama. Pertahankan kedua temuan sampai perbedaannya dijelaskan, lalu jalankan eksperimen fokus yang membedakan antara penjelasan yang bersaing. Kesepakatan antar agen bermanfaat, tetapi tidak menggantikan pengukuran eksternal atau argumen yang dapat diperiksa.
When is a simpler research workflow preferable?
Tugas pendek, deterministik, dengan skrip matang dan evaluator yang jelas mungkin tidak diuntungkan dari koordinasi multi-agen persisten. Penjadwalan tambahan, pencatatan, dan review dapat berbiaya lebih besar daripada manfaatnya. Perkenalkan orkestrasi ketika eksperimen memiliki dependensi yang bermakna, waktu tunggu panjang, beberapa hipotesis yang bersaing, atau keluaran yang dapat digunakan kembali yang memerlukan pemeliharaan berkelanjutan. Keputusan sebaiknya mengikuti struktur beban kerja dan biaya koordinasi yang diamati.
