TL;DR
Tencent Hunyuan представила Hyra 2.0 2 ноября 2026 года как исследовательский Harness для разработки научных моделей, программных инструментов и переиспользуемых рабочих процессов. Ключевая особенность — устойчивая координация в рамках многодневных или многонедельных экспериментов.
Публичный релиз сейчас состоит из выбранных исследовательских артефактов — моделей, кода, весов и отчётов — а не из общедоступного хостингового сервиса Hyra 2.0. По состоянию на 4 ноября 2026 года публичные материалы Tencent не документируют универсальный оркестрационный API или план подписки.
Key Takeaways
- Исследовательская цель: Hyra 2.0 разрабатывает переиспользуемые научные модели и инструменты, способные поддерживать более одного исследовательского проекта.
- Устойчивая координация: агенты Overall, Mission и Worker разделяют обязанности, а очереди и исследовательские записи сохраняют прогресс в долгих экспериментах.
- Переиспользуемые знания: память агентов, Books и исследовательские навыки сохраняют результаты вместе с подтверждающими доказательствами и условиями применения.
- Результаты под задачу: выпущенные модели по белкам, силовым полям и клеткам адресуют разные научные нагрузки; скорость и качество следует оценивать совместно.
- Практический доступ: начните с доступных исследовательских артефактов. Полный Hyra Harness и хостинговые API модели Hunyuan — отдельные предложения.
What Is Tencent Hunyuan Hyra 2.0?
Hyra 2.0 расшифровывается как Hunyuan Research Agent 2.0 — мультиагентная система, предназначенная для автоматизации сложных научных исследований и инженерных рабочих процессов.
Tencent представляет Hyra 2.0 как переход от решения изолированных задач к разработке моделей, методов и инфраструктуры для исследования более широкого класса вопросов.
Hyra 2.0 — это не самостоятельная базовая модель с фиксированным количеством параметров или контекстным окном. Это система оркестрации, способная использовать разные ИИ-модели, исполнять код, управлять научными экспериментами и координировать специализированных исследовательских агентов.
Научные исследования включают не только рассуждение. Полный проект может требовать планирования эксперимента, реализации, обучения, отладки, оценки и многократных итераций. Эти активности могут длиться несколько дней или недель, часто с параллельными экспериментами и общими вычислительными ресурсами.
Hyra 2.0 решает эту операционную задачу, сочетая интеллект моделей с устойчивым исполнением, структурированным сотрудничеством и проверкой на основе доказательств.
Hyra 2.0 Technical Specifications
Спецификации системы описывают её возможности по оркестрации и исследованиям. Отдельные научные модели, созданные Hyra 2.0, имеют собственные архитектуры, числа параметров и бенчмарки производительности.
Why Hyra 2.0 Builds Tools
Переход от Hyra 1.0 к Hyra 2.0 адресует фундаментальное ограничение автоматизированных исследований: успешное решение одной задачи не обязательно улучшает способность системы решать следующую.
Hyra 1.0 использовала относительно простой агентный цикл, чтобы генерировать решения, запускать оценки и улучшать результаты через повторные попытки. Работая на открытой модели Hy3 от Tencent, Hyra 1.0 помогла установить оптимальный показатель степени, связывающий суммы множеств и разности множеств, с машинно-проверенным доказательством, выпущенным вместе с результатом. Различие важно: оценённый математический результат — это конкретный вывод, тогда как улучшение исследовательского процесса может быть переиспользовано в последующих задачах.
Следующая задача — сделать так, чтобы исследовательский прогресс накапливался.
From Answers to Reusable Capabilities
Рассмотрим три уровня математической автоматизации:
- Агент решает отдельную математическую задачу.
- Агент разрабатывает рабочий процесс доказательства, который может решать похожие задачи.
- Агент улучшает модели рассуждения и инструменты проверки, которыми будут пользоваться будущие исследовательские системы.
Первый уровень даёт ответ. Второй — переиспользуемый метод. Третий — способен улучшить саму базовую исследовательскую способность.
Hyra 2.0 нацелена на второй и третий уровни.
Tencent выделяет две широкие категории переиспользуемых инструментов. Символические инструменты выражают возможности через код, алгоритмы, правила и рабочие процессы. Примеры: системы автоматической верификации, алгоритмы научного поиска и пайплайны управления экспериментами. Параметрические инструменты хранят выученные способности в весах моделей, включая модели для проектирования белков и научные базовые модели.
Улучшение любой из категорий может принести пользу множеству последующих задач, не требуя начинать каждый проект с одной и той же точки.
The Direction Toward Recursive Self-Improvement
Hyra 2.0 также создаёт путь к рекурсивному самосовершенствованию. Исследования базовых моделей зависят от инфраструктуры обучения, пайплайнов синтетических данных, алгоритмов оптимизации и систем инференса.
Если ИИ-агенты улучшают эти инструменты, они могут помогать в разработке более сильных моделей. Эти более сильные модели затем могут участвовать в последующих раундах разработки инструментов.
Лучшие исследовательские инструменты → более сильные ИИ‑модели → более способные исследовательские агенты → лучшие исследовательские инструменты.
Tencent описывает применение Hyra к инфраструктуре предобучения, генерации постобучающих данных и оптимизации инференса. Это создаёт правдоподобную обратную связь между разработкой инструментов и разработкой моделей. Сама по себе она не устанавливает неограниченного или полностью автономного рекурсивного улучшения; каждый заявленный выигрыш по‑прежнему требует эксперимента, изолирующего его эффект.
How Does the Hyra 2.0 Harness Architecture Work?
Harness — центральное инженерное новшество Hyra 2.0. Обычный агентный цикл может вызывать инструменты, анализировать результаты и продолжать рассуждение в рамках сессии. Разработка научных моделей требует более сложной среды исполнения.
Эксперименты могут длиться часами, обучающие задания — днями, а отдельные исследовательские направления могут требовать разных вычислительных ресурсов и методов валидации. Hyra 2.0 решает эти требования через три слоя агентов, устойчивое планирование задач, структурированные записи исследований и независимую верификацию.
Официальная схема Hyra 2.0 от Tencent Hunyuan показывает иерархию, устойчивую очередь задач, процесс ревью и раздельные хранилища для состояния проекта, памяти агентов и общих знаний.
Overall: Research Coordination and Resource Management
Overall — это верхний уровень координации. Он общается с исследователями‑людьми, поддерживает соответствие исследовательским целям, управляет приоритетами и координирует вычислительные ресурсы.
Его обязанности включают определение, какие проекты должны получить дополнительные ресурсы, и идентификацию решений, требующих одобрения человека. Таким образом, Overall работает как слой координации между автономной исследовательской деятельностью и управлением исследованиями со стороны человека.
Mission: Long-Term Research Planning
Каждый Mission отвечает за конкретную исследовательскую задачу. Mission сохраняет направление исследований через несколько экспериментов, организует Workers, интерпретирует результаты и решает, заслуживает ли гипотеза дальнейшего изучения.
Он также определяет, когда подход следует пересмотреть или отказаться от него. Это создаёт непрерывность в долгосрочном проекте без необходимости сохранять одной сессии агента каждое промежуточное действие.
Worker: Experiment Execution and Independent Exploration
Workers выполняют специализированные исследовательские задачи. Их обязанности включают чтение кода, реализацию алгоритмов, запуск экспериментов, диагностику сбоев и предложение альтернативных подходов.
Workers могут оспаривать решения Mission, а разные Workers могут использовать разные базовые ИИ‑модели. Такая структура поддерживает параллельное исследование и снижает зависимость от траектории рассуждений одного агента.
Persistent Scheduling and Research Board
Hyra 2.0 помещает исследовательские задачи в постоянную очередь. Планировщик учитывает приоритет задач, зависимости и доступные ресурсы при запуске Workers.
Когда один эксперимент ожидает результатов обучения или одобрения человека, другие задачи могут продолжаться. Агенты также могут планировать свою следующую активацию после завершения эксперимента.
Research Board записывает гипотезы, находки, доказательства и ключевые решения. Это отделяет устойчивое состояние исследовательского проекта от индивидуальных диалогов агентов.
Independent Verification and Human Approval
Выводы Worker должны подкрепляться экспериментальными доказательствами, такими как версии кода, журналы выполнения, результаты оценок или исходные трейсы.
Когда результат требует дополнительной проверки, отдельный Review Worker может независимо изучить исходную задачу и доказательства. Этот процесс помогает выявлять неподдержанные выводы и ошибки реализации до того, как они повлияют на дальнейшие исследования.
Дорогие по вычислениям операции и изменения в общих знаниях команды остаются предметом человеческого одобрения. Архитектура таким образом сочетает автономное исполнение с явными контрольными точками для значимых решений.
Books: Turning Research Experience Into Skills
Hyra 2.0 разделяет информацию на три категории хранения:
- Project state: очереди задач, записи сотрудничества и прогресс исследования.
- Agent memory: текущее понимание, гипотезы, отвергнутые подходы и будущие планы.
- Books: переиспользуемые знания, разделяемые между исследовательскими проектами.
Books классифицирует информацию на наблюдения, проверенные находки и договорённости. Один эксперимент может дать наблюдение. Независимо воспроизведённые находки могут стать проверенными знаниями. Договорённости, влияющие на поведение команды, требуют человеческого подтверждения.
Во время обзоров проекта переиспользуемые методы могут превращаться в навыки. Успешная процедура численной проверки или метод диагностики нестабильности обучения может стать переиспользуемым компонентом будущих исследовательских рабочих процессов.
Этот механизм позволяет системе сохранять операционные улучшения за пределами отдельных сессий.
What Research Results Has Hyra 2.0 Achieved?
Начальные результаты Hyra 2.0 охватывают научные модели, математические исследования, квантовые вычисления, робототехнику, анализ одиночных клеток и аппаратную инженерию.
Официальный исследовательский репозиторий содержит выбранные реализации, веса, отчёты и артефакты верификации. Обзор ниже суммирует заявленные Tencent результаты; последующие подразделы объясняют их условия тестирования и доступность. Это разные научные задачи, а не единый рейтинг универсальной способности агента.
Эти результаты демонстрируют несколько типов исследовательского выхода, а не один универсальный балл агента.
HyInv: 57× Faster Protein Inverse Folding
HyInv генерирует белковые последовательности для заданного остова. Сообщается, что его модель на 1,96 млн параметров работает в 57× быстрее, чем ProteinMPNN. Заявленные 50,6 мс для 128 дизайнов используют остов из 402 остатков, один H20 и BF16, без учёта компиляции и захвата CUDA‑графа. Рассматривайте это как скорость прогретой генерации; структурный скрининг всё ещё вносит вклад в полный цикл дизайна.
HyPLM-Flash: High-Throughput Protein Language Modeling
HyPLM-Flash — белковая языковая модель на 650 млн параметров, обученная на 726 млрд токенов. В опубликованной оценке с 28 чекпоинтами и 32 задачами её балл ProteinGym статистически сопоставим с аналогичными энкодерами. Инференс в INT8 достигает примерно 130 000 остатков/с на одном H20; BF16 предпочтительнее, когда небольшие различия представлений влияют на последующий анализ. Приведённая на запуске диаграмма ниже использует иной охват оценки.
HyFF: Faster Molecular Simulation With Five Model Sizes
HyFF предсказывает молекулярные энергии и атомные силы, предлагая пять размеров модели от 2,3 млн до 1,2 млрд параметров. В заявленном сравнении OMol25 Andante сочетает схожую ошибку сил с UMA-S-1.2 (7,65 против 7,55 meV/Å) с 29× более быстрой молекулярной динамикой. Largo показывает меньшую ошибку энергии, чем DPA4-Pro (0,364 против 0,380 meV/atom), и в 9,7× более высокую скорость. Выбирайте размер, тестируя и точность, и время выполнения на молекулах, которые вы планируете моделировать.
HyCell: A Single-Cell Embedding Model
HyCell отображает подсчёты экспрессии генов человеческих клеток в эмбеддинги размерности 512 с моделью на 16,1 млн параметров. По семи отложенным клеточным атласам её составной балл составляет 0,735, близко к 0,736 у Stack. Этот балл объединяет биологическую консервацию, батч‑коррекцию и перенос аннотаций; это не точность классификации. Проверьте компонентные метрики, релевантные вашему исследованию.
HyProver: Reusable Workflows for Mathematical Research
HyProver организует математическую работу на этапы исследования, разработки доказательства и ревью. Сообщается, что результаты устанавливают пятимерный случай Petty’s equilateral-set conjecture и дают контрпример к неограниченной формулировке Yau’s circle-action conjecture. У этих результатов есть конкретные границы: гипотеза Petty не решена во всех размерностях, а формулировка Yau для просто связных случаев остаётся открытой.
HyQEC: A 48% Improvement in Quantum-Code Efficiency
HyQEC ищет квантовые коды корректировки ошибок и проверяет их дистанции. Tencent сообщает о конструкции [[488,123,22]] с метрикой эффективности kd²/n, равной 122,0, примерно на 48% выше предыдущего лидера челленджа при заявленных ограничениях. Это измеряет эффективность кода, а не производительность квантового оборудования. По состоянию на 5 ноября 2026 года официальный релиз включает инструменты hyqec-verify и hyqec-check, но по‑прежнему помечает файл кода и сертификат для этой конкретной конструкции как доказательства, подлежащие публикации. Публичные инструменты и публично воспроизводимые доказательства для конкретного результата — это разные этапы.
Spiral Hand: AI-Designed Robotic Morphology
Spiral Staircase Hand от Hyra использует постепенно удлиняющиеся пальцы вокруг ладони. Tencent сообщает о 28,6% более быстром вращении объектов и на 21% большем числе завершённых целей, чем у базовой Dextra, в симуляции DR5 после равных бюджетов дообучения политик. Проверка на физическом оборудовании остаётся незавершённой.
XiangShan: Processor Optimization and Formal Verification
Для процессора XiangShan RISC-V Tencent сообщает о 5,79% улучшении балла SPEC CPU2006 на ГГц при неизменной тактовой частоте ядра и увеличении площади на 0,3%. Работа также выявила десять ранее не описанных ошибок и контрпример в когерентности кэша. Эти результаты относятся к оценённому дизайну и нагрузкам, а не ко всем системам RISC‑V.
How Should Researchers Interpret Hyra 2.0's Benchmarks?
Рассматривайте каждый бенчмарк в рамках своего рабочего процесса. Сравнивайте одинаковые входы, оборудование, точность и границы измерения времени, затем оценивайте качество вывода вместе со временем выполнения. Для научных утверждений изучайте поддерживающий код, данные, доказательство или сертификат: заявленный результат и независимо воспроизведённый результат обеспечивают разные уровни доказательности.
Can Developers Use Hyra 2.0 Through an API?
По состоянию на 4 ноября 2026 года публичные материалы Hyra описывают исследовательские результаты и выбранные релизы. Они не документируют общедоступный оркестрационный API Hyra 2.0, цену подписки или полный пакет развёртывания. Следует различать исследовательский анонс и скачиваемые артефакты, с одной стороны, и хостинговый доступ к полной системе — с другой.
Публично доступные материалы сосредоточены на исследовательских результатах и отдельных артефактах. Разработчики могут получить доступ к некоторым моделям, созданным через Hyra, включая HyInv, HyPLM-Flash, HyFF и HyCell, через связанные исследовательские репозитории.
Полный Hyra 2.0 Harness следует отличать от этих скачиваемых результатов.
Hyra 2.0 and Hosted Hunyuan APIs
Разработчики могут получить доступ к Tencent Hy4 через CometAPI с использованием идентификатора модели hy4. Это предоставляет хостинговый инференс модели для приложений, таких как программирование, анализ и агентные рабочие процессы. Это не предоставляет полный исследовательский Harness Hyra 2.0; научные модели, разработанные с помощью Hyra, доступны отдельно через исследовательские репозитории Tencent.
What Would Make Hyra 2.0 Useful in a Research Team?
Начните с одного выпущенного артефакта и небольшой эталонной нагрузки. После успешного запуска протестируйте репрезентативные локальные данные с фиксированным порогом качества и бюджетом вычислений. Храните вместе ревизию репозитория, веса, окружение, входы и выходы, чтобы коллеги могли воспроизвести результат. Добавляйте устойчивую мультиагентную координацию, когда длительные ожидания, зависимые эксперименты или конкурирующие гипотезы делают её полезной.
Conclusion
Hyra 2.0 объединяет планирование исследований, выполнение экспериментов и переиспользуемые знания в одном устойчивом рабочем процессе. Её научные результаты — многообещающие отправные точки для дальнейшей работы. Для исследовательской команды практический тест — улучшает ли выпущенный артефакт реальный эксперимент и производит ли доказательства, которые другие могут изучить и воспроизвести.
FAQ
How should a lab budget its first Hyra artifact trial?
Заложите бюджет на три этапа: настройку воспроизводимого окружения, запуск небольшого эталонного кейса и оценку репрезентативной локальной нагрузки. Учитывайте время подготовки и ревью, а также использование ускорителей. Выберите критерий принятия до начала, например поддержание требуемого уровня качества при сокращении времени отклика. Начальный пробный запуск должен быть достаточно небольшим, чтобы диагностировать сбои без обязательств по ресурсам, требуемым для полной исследовательской кампании.
What should a reproducibility package contain?
Храните вместе ревизию репозитория, идентификаторы весов модели, версии окружения, происхождение входных данных, конфигурацию, случайные зерна там, где это уместно, и выходы оценок. Запишите любые изменения опубликованного примера. Когда результат опирается на доказательство или сертификат, сохраните версию проверяющего и его вывод. Пакет должен позволять другому исследователю отличить проблему с ПО, изменённый вход и подлинное различие в научном результате.
How can researchers avoid benchmark contamination?
Отделите данные, использованные для выбора моделей или настройки параметров, от данных для финальной оценки. Заморозьте финальный протокол до сравнения кандидатов и зафиксируйте любое пересечение с предобучающими или девелоперскими данными, которое можно установить. Для новых научных датасетов используйте разбиения, отражающие предполагаемую среду применения, например отложенное исследование или экспериментальное условие. Сильный балл менее информативен, если примеры оценки многократно влияли на тестируемую систему.
How should teams handle conflicting agent conclusions?
Сравнивайте лежащие в основе эксперименты, а не объединяйте выводы голосованием большинства. Проверьте, использовали ли агенты одну и ту же версию датасета, допущения, метрику и конфигурацию ПО. Сохраните обе находки до объяснения различий, затем запустите сфокусированный эксперимент, который различает конкурирующие объяснения. Согласие между агентами полезно, но оно не заменяет внешние измерения или проверяемый аргумент.
When is a simpler research workflow preferable?
Короткая, детерминированная задача со зрелым скриптом и понятным оценщиком может не выигрывать от устойчивой мультиагентной координации. Дополнительное планирование, ведение записей и ревью могут стоить дороже, чем приносить пользу. Вводите оркестрацию, когда у экспериментов есть значимые зависимости, длительные ожидания, несколько конкурирующих гипотез или переиспользуемые результаты, требующие постоянного сопровождения. Решение должно следовать структуре рабочей нагрузки и наблюдаемой стоимости координации.