Solutions Choose your path
For individuals Build, learn, and create with simple usage-based access. For business Scale teams, billing, governance, and model workflows. More English 繁體中文 日本語 한국어 Français Deutsch Español Italiano Português Русский العربية ไทย Tiếng Việt Bahasa Indonesia Bahasa Melayu Türkçe Polski Nederlands Danish Norsk Қазақ اردو
เริ่มต้นฟรี เริ่มต้นฟรี
500+ AI Model API, All In One API.
Just In CometAPI © 2026 CometAPI · All rights reserved
Home Blog Tencent Hyra 2.0: สถาปัตยกรรมของ Harness, เบนช์มาร์ก และผลลัพธ์
new / งานวิจัย CometAPI
Tencent Hyra 2.0: สถาปัตยกรรมของ Harness, เบนช์มาร์ก และผลลัพธ์ สำรวจ Tencent Hunyuan Hyra 2.0, สถาปัตยกรรมเอเจนต์แบบสามชั้น Harness, โมเดลเชิงวิทยาศาสตร์, เบนช์มาร์ก, ความก้าวหน้าทางการวิจัย และความแตกต่างจาก Hyra 1.0.
Deon Goodwin ทีมวิจัยโมเดล AI และ API สำรวจ Tencent Hunyuan Hyra 2.0, สถาปัตยกรรมเอเจนต์แบบสามชั้น Harness, โมเดลเชิงวิทยาศาสตร์, เบนช์มาร์ก, ความก้าวหน้าทางการวิจัย และความแตกต่างจาก Hyra 1.0.
ใช้สรุปนี้เพื่อดูคำตอบอย่างรวดเร็ว แล้วอ่านคู่มือเพื่อดูบริบท ตัวอย่าง และรายละเอียดการใช้งาน
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)TL;DR
Tencent Hunyuan เปิดตัว Hyra 2.0 เมื่อวันที่ 2 พฤศจิกายน 2026 ในฐานะ Harness เพื่อการวิจัยสำหรับพัฒนารุ่นเชิงวิทยาศาสตร์ เครื่องมือซอฟต์แวร์ และเวิร์กโฟลว์ที่นำกลับใช้ซ้ำได้ จุดเด่นคือการประสานงานแบบต่อเนื่องยาวนาน ครอบคลุมการทดลองหลายวันหรือหลายสัปดาห์
การเปิดเผยสาธารณะในปัจจุบันประกอบด้วยผลงานวิจัยที่คัดเลือกมาแล้ว—โมเดล โค้ด เวต และรายงาน—แทนที่จะเป็นบริการ Hyra 2.0 แบบโฮสต์ที่เปิดให้ใช้งานทั่วไป ณ วันที่ 4 พฤศจิกายน 2026 วัสดุสาธารณะของ Tencent ยังไม่มีเอกสารสำหรับ Orchestration API แบบใช้งานทั่วไปหรือแผนสมัครสมาชิก
Key Takeaways
วัตถุประสงค์การวิจัย: Hyra 2.0 พัฒนารุ่นและเครื่องมือเชิงวิทยาศาสตร์ที่นำกลับใช้ซ้ำได้ รองรับมากกว่าหนึ่งโครงการวิจัย
การประสานงานถาวร: เอเจนต์ Overall, Mission และ Worker แบ่งหน้าที่กัน ขณะที่คิวและบันทึกวิจัยเก็บความคืบหน้าต่อเนื่องระหว่างการทดลองยาวนาน
ความรู้ที่นำกลับใช้: หน่วยความจำเอเจนต์, Books และทักษะการวิจัยเก็บผลการค้นพบพร้อมหลักฐานรองรับและเงื่อนไขการใช้งาน
เรียนรู้ต่อ
เชื่อมโยงบทความนี้กับการตัดสินใจถัดไป ดูทุกหัวข้อ ตรวจสอบความชัดเจน การอ้างอิงแหล่งที่มา และคำศัพท์ API ปัจจุบันแล้ว
ผลลัพธ์เฉพาะงาน: รุ่นโปรตีน ฟอร์ซฟิลด์ และเซลล์ที่เปิดเผยตอบโจทย์งานวิทยาศาสตร์ต่างชนิดกัน; ควรประเมินความเร็วและคุณภาพควบคู่กัน
การเข้าถึงเชิงปฏิบัติ: เริ่มจากผลงานวิจัยที่เปิดเผยอยู่ Harness ของ Hyra แบบสมบูรณ์และ API ของโมเดล Hunyuan แบบโฮสต์เป็นข้อเสนอที่แตกต่างกัน
What Is Tencent Hunyuan Hyra 2.0? Hyra 2.0 ย่อมาจาก Hunyuan Research Agent 2.0 เป็นระบบเอเจนต์หลายตัวที่ออกแบบมาเพื่อทำให้งานวิจัยและเวิร์กโฟลว์วิศวกรรมเชิงซับซ้อนเป็นอัตโนมัติ
Tencent นำเสนอ Hyra 2.0 ว่าเป็นการเปลี่ยนจากการแก้ปัญหาแบบโดดเดี่ยว ไปสู่การพัฒนารุ่น วิธีการ และโครงสร้างพื้นฐานที่ใช้สืบค้นคำถามในวงกว้างกว่า
Hyra 2.0 ไม่ใช่โมเดลพื้นฐานเดี่ยวที่มีจำนวนพารามิเตอร์หรือหน้าต่างบริบทตายตัว แต่มันคือระบบ orchestration ที่สามารถใช้โมเดล AI ต่างชนิดกัน รันโค้ด จัดการการทดลองทางวิทยาศาสตร์ และประสานเอเจนต์วิจัยเฉพาะทาง
งานวิจัยวิทยาศาสตร์มีมากกว่าการให้เหตุผล โครงการที่สมบูรณ์อาจต้องการการออกแบบการทดลอง การลงมือทำ การเทรน การดีบัก การประเมิน และการปรับแก้ซ้ำๆ กิจกรรมเหล่านี้อาจกินเวลาหลายวันหรือหลายสัปดาห์ มักมีการทดลองขนานกันและใช้ทรัพยากรคอมพิวต์ร่วมกัน
Hyra 2.0 รับมือกับความท้าทายเชิงปฏิบัตินี้ด้วยการผสมผสานความฉลาดของโมเดลเข้ากับการรันอย่างต่อเนื่อง โครงสร้างความร่วมมือ และการตรวจพิสูจน์ที่อิงหลักฐาน
Hyra 2.0 Technical Specifications Developer Tencent Hunyuan Public announcement 2 พฤศจิกายน 2026 System category เอเจนต์วิจัยวิทยาศาสตร์แบบอัตโนมัติ Core architecture Harness แบบเอเจนต์หลายตัวตามลำดับชั้น Agent roles Overall, Mission, Worker Research execution เวิร์กโฟลว์รันยาวและขนานกัน Task management คิวงานแบบถาวร Collaboration Research Board และการส่งข้อความระหว่างเอเจนต์ Verification ผลลัพธ์ที่มีหลักฐานรองรับและ Review Worker อิสระ Memory สถานะโครงการ หน่วยความจำเอเจนต์แบบเลเยอร์ และ Books ที่ใช้ร่วมกัน Knowledge reuse ผลการค้นพบที่ผ่านการยืนยันและทักษะที่นำกลับใช้ได้ Model flexibility Worker ต่างๆ สามารถใช้โมเดลพื้นฐานต่างชนิดกัน Research environments WeCom แพลตฟอร์มคอมพิวต์ และคลังโค้ด Human oversight จุดตรวจขออนุมัติจากมนุษย์สำหรับปฏิบัติการสำคัญ Public artifacts โมเดลบางส่วน ซอร์สโค้ด เวตที่เทรนแล้ว และรายงานเชิงเทคนิค
สเปกของระบบบรรยายความสามารถด้าน orchestration และงานวิจัย โมเดลวิทยาศาสตร์เฉพาะทางแต่ละตัวที่สร้างโดย Hyra 2.0 มีสถาปัตยกรรม จำนวนพารามิเตอร์ และบันทึกประสิทธิภาพของตนเอง
การเปลี่ยนจาก Hyra 1.0 เป็น Hyra 2.0 แก้ข้อจำกัดพื้นฐานของการวิจัยอัตโนมัติ: การแก้ปัญหาได้หนึ่งปัญหาไม่ได้หมายความว่าระบบจะเก่งขึ้นกับปัญหาถัดไปโดยอัตโนมัติ
Hyra 1.0 ใช้วงรอบเอเจนต์แบบค่อนข้างเรียบง่ายเพื่อสร้างวิธีแก้ รันการประเมิน และปรับปรุงผลลัพธ์ด้วยความพยายามซ้ำๆ ขับเคลื่อนโดยโมเดลโอเพนซอร์ส Hy3 ของ Tencent Hyra 1.0 ช่วยสรุปค่าชี้กำลังที่เหมาะสมที่สุดระหว่าง sumsets และ difference sets โดยมีการปล่อยหลักฐานพิสูจน์ที่ตรวจด้วยเครื่องควบคู่กัน ความแตกต่างนี้สำคัญ: ผลลัพธ์ทางคณิตศาสตร์ที่ผ่านการประเมินคือเอาต์พุตที่เป็นรูปธรรม ขณะที่การพัฒนากระบวนการวิจัยสามารถนำกลับใช้กับปัญหาในภายหลังได้
ความท้าทายถัดไปคือทำให้ความก้าวหน้าทางวิจัยสะสมได้
From Answers to Reusable Capabilities พิจารณาระดับอัตโนมัติทางคณิตศาสตร์สามระดับ:
เอเจนต์แก้ปัญหาคณิตศาสตร์รายข้อ
เอเจนต์พัฒนาเวิร์กโฟลว์การพิสูจน์ที่แก้ปัญหาคล้ายกันได้
เอเจนต์ปรับปรุงโมเดลให้เหตุผลและเครื่องมือตรวจพิสูจน์ที่ระบบวิจัยในอนาคตจะใช้
ระดับแรกให้คำตอบ ระดับที่สองให้วิธีการที่นำกลับใช้ได้ ระดับที่สามสามารถยกระดับความสามารถพื้นฐานของการวิจัยเอง
Hyra 2.0 เล็งเป้าระดับที่สองและสาม
Tencent อธิบายเครื่องมือที่นำกลับใช้ได้สองประเภทกว้างๆ เครื่องมือเชิงสัญลักษณ์ (Symbolic tools) แสดงความสามารถผ่านโค้ด อัลกอริทึม กฎ และเวิร์กโฟลว์ ตัวอย่างเช่น ระบบตรวจพิสูจน์อัตโนมัติ อัลกอริทึมค้นหาวิทยาศาสตร์ และไปป์ไลน์จัดการการทดลอง เครื่องมือเชิงพารามิเตอร์ (Parametric tools) เก็บความสามารถที่เรียนรู้ไว้ในเวตของโมเดล รวมถึงโมเดลออกแบบโปรตีนและโมเดลพื้นฐานทางวิทยาศาสตร์
การปรับปรุงทั้งสองประเภทสามารถเอื้อประโยชน์ต่อภารกิจปลายน้ำหลายชนิดโดยไม่ต้องให้ทุกโครงการเริ่มจากจุดตั้งต้นเดียวกัน
The Direction Toward Recursive Self-Improvement Hyra 2.0 ยังสร้างเส้นทางสู่การปรับปรุงตัวเองแบบวนซ้ำ การวิจัยโมเดลพื้นฐานพึ่งพาโครงสร้างพื้นฐานการเทรน ไปป์ไลน์ข้อมูลสังเคราะห์ อัลกอริทึมเพิ่มประสิทธิภาพ และระบบอินเฟอเรนซ์
หากเอเจนต์ AI ปรับปรุงเครื่องมือเหล่านี้ได้ พวกมันสามารถช่วยพัฒนารุ่นที่แข็งแรงขึ้น ซึ่งรุ่นที่แข็งแรงขึ้นก็สามารถมีส่วนร่วมในรอบถัดไปของการพัฒนาเครื่องมือได้
เครื่องมือวิจัยที่ดีกว่า → โมเดล AI ที่แข็งแรงขึ้น → เอเจนต์วิจัยที่มีศักยภาพมากขึ้น → เครื่องมือวิจัยที่ดียิ่งขึ้น
Tencent อธิบายการประยุกต์ Hyra กับโครงสร้างพื้นฐาน pretraining การสร้างข้อมูล post-training และการเพิ่มประสิทธิภาพอินเฟอเรนซ์ สิ่งนี้สร้างวงป้อนกลับที่เป็นไปได้ระหว่างการพัฒนาเครื่องมือและการพัฒนาโมเดล แต่ไม่ได้พิสูจน์ด้วยตัวเองว่ามีการปรับปรุงแบบไม่จำกัดหรืออัตโนมัติเต็มรูปแบบ; แต่ละข้อเสนอประสิทธิภาพยังต้องมีการทดลองที่แยกผลกระทบให้ชัดเจน
How Does the Hyra 2.0 Harness Architecture Work? Harness คือ นวัตกรรมวิศวกรรมแกนกลางของ Hyra 2.0 วงรอบเอเจนต์แบบดั้งเดิมสามารถเรียกใช้เครื่องมือ ตรวจผล และดำเนินการให้เหตุผลต่อภายในเซสชันเดียว การพัฒนารุ่นวิทยาศาสตร์ต้องการสภาพแวดล้อมการรันที่ซับซ้อนกว่านั้น
การทดลองอาจใช้เวลาหลายชั่วโมง งานเทรนอาจกินเวลาหลายวัน ทิศทางวิจัยที่ต่างกันอาจต้องการทรัพยากรคอมพิวต์และวิธีตรวจสอบแตกต่างกัน Hyra 2.0 ตอบโจทย์เหล่านี้ผ่านเอเจนต์สามชั้น การจัดตารางงานแบบถาวร บันทึกวิจัยที่มีโครงสร้าง และการตรวจสอบอิสระ
Overall: Research Coordination and Resource Management Overall คือชั้นการประสานงานระดับสูงสุด มันสื่อสารกับนักวิจัยมนุษย์ คงความสอดคล้องกับวัตถุประสงค์วิจัย จัดการลำดับความสำคัญ และประสานทรัพยากรคอมพิวต์
หน้าที่รวมถึงการตัดสินใจว่าโครงการใดควรได้รับทรัพยากรเพิ่มเติม และระบุการตัดสินใจที่ต้องขออนุมัติจากมนุษย์ ดังนั้น Overall จึงทำหน้าที่เป็นชั้นประสานระหว่างกิจกรรมวิจัยอัตโนมัติและการบริหารวิจัยของมนุษย์
Mission: Long-Term Research Planning แต่ละ Mission รับผิดชอบปัญหาวิจัยเฉพาะหนึ่งเรื่อง Mission รักษาทิศทางวิจัยข้ามหลายการทดลอง จัดระเบียบ Worker ตีความผลลัพธ์ และตัดสินใจว่าสมมติฐานควรได้รับการสำรวจต่อหรือไม่
มันยังกำหนดด้วยว่าเมื่อใดควรปรับแก้หรือยุติแนวทางวิจัย นี่สร้างความต่อเนื่องของโครงการยาวนานโดยไม่ต้องให้เซสชันเอเจนต์เดียวเก็บทุกการกระทำระหว่างทาง
Worker: Experiment Execution and Independent Exploration Worker ดำเนินงานวิจัยเฉพาะทาง หน้าที่รวมถึงอ่านโค้ด ลงมือทำอัลกอริทึม รันการทดลอง วินิจฉัยความล้มเหลว และเสนอแนวทางอื่นๆ
Worker สามารถท้าทายการตัดสินใจของ Mission และ Worker ต่างตัวกันอาจใช้โมเดลพื้นฐานต่างชนิดกัน โครงสร้างนี้รองรับการสำรวจแบบขนานและลดการพึ่งพาเส้นทางให้เหตุผลของเอเจนต์เดียว
Persistent Scheduling and Research Board Hyra 2.0 วางงานวิจัยลงในคิวแบบถาวร ตัวจัดตารางพิจารณาความสำคัญของงาน การพึ่งพากัน และทรัพยากรที่มี เมื่อเริ่ม Worker
เมื่อการทดลองหนึ่งกำลังรอผลเทรนหรือรอการอนุมัติจากมนุษย์ งานอื่นสามารถดำเนินต่อได้ เอเจนต์ยังสามารถกำหนดเวลาการทำงานครั้งถัดไปหลังการทดลองเสร็จสิ้น
Research Board บันทึกสมมติฐาน ผลการค้นพบ หลักฐาน และการตัดสินใจสำคัญ แยกสถานะถาวรของโครงการวิจัยออกจากบทสนทนาของเอเจนต์รายตัว
Independent Verification and Human Approval ข้อสรุปของ Worker ต้องมีหลักฐานการทดลองรองรับ เช่น เวอร์ชันโค้ด ล็อกการรัน ผลการประเมิน หรือทรซเดิม
เมื่อผลลัพธ์ต้องการการตรวจเพิ่มเติม Review Worker แยกต่างหากสามารถตรวจปัญหาเดิมและหลักฐานอย่างอิสระ กระบวนการนี้ช่วยระบุข้อสรุปที่ไร้หลักฐานครอบคลุมและข้อผิดพลาดการนำไปใช้ ก่อนที่มันจะส่งผลต่อการวิจัยต่อไป
ปฏิบัติการคอมพิวต์ต้นทุนสูงและการเปลี่ยนแปลงความรู้ที่ทีมใช้ร่วมกันยังอยู่ภายใต้การอนุมัติของมนุษย์ สถาปัตยกรรมจึงผสานการรันอัตโนมัติเข้ากับจุดตรวจที่ชัดเจนสำหรับการตัดสินใจสำคัญ
Books: Turning Research Experience Into Skills Hyra 2.0 แยกข้อมูลออกเป็นสามหมวดเก็บ:
สถานะโครงการ: คิวงาน บันทึกความร่วมมือ และความคืบหน้าวิจัย
หน่วยความจำเอเจนต์: ความเข้าใจปัจจุบัน สมมติฐาน แนวทางที่ปฏิเสธ และแผนถัดไป
Books: ความรู้ที่นำกลับใช้ร่วมกันข้ามโครงการวิจัย
Books จัดข้อมูลเป็นข้อสังเกต ผลการค้นพบที่ยืนยันแล้ว และข้อปฏิบัติร่วม การทดลองหนึ่งอาจสร้างข้อสังเกต ผลการค้นพบที่ทำซ้ำอย่างอิสระได้สามารถกลายเป็นความรู้ที่ยืนยันแล้ว ข้อปฏิบัติร่วมที่มีผลต่อพฤติกรรมทีมต้องการการยืนยันจากมนุษย์
ระหว่างการรีวิวโครงการ วิธีการที่นำกลับใช้ได้สามารถแปลงเป็นทักษะ กระบวนการตรวจพิสูจน์เชิงตัวเลขที่สำเร็จหรือวิธีการวินิจฉัยความไม่เสถียรในการเทรนสามารถกลายเป็นองค์ประกอบที่นำกลับใช้ในเวิร์กโฟลว์วิจัยในอนาคต
กลไกนี้ช่วยให้ระบบเก็บรักษาการปรับปรุงเชิงปฏิบัติการเกินกว่าขอบเขตของเซสชันเดี่ยว
What Research Results Has Hyra 2.0 Achieved? ผลลัพธ์เริ่มต้นของ Hyra 2.0 ครอบคลุมโมเดลวิทยาศาสตร์ งานคณิตศาสตร์ ควอนตัมคอมพิวติ้ง หุ่นยนต์ การวิเคราะห์เซลล์เดี่ยว และวิศวกรรมฮาร์ดแวร์
คลังผลงานวิจัยอย่างเป็นทางการ มีบางส่วนของอิมพลีเมนเทชัน เวต รายงาน และหลักฐานตรวจพิสูจน์ ภาพรวมด้านล่างสรุปผลที่ Tencent รายงานไว้; ส่วนถัดไปอธิบายเงื่อนไขการทดสอบและความพร้อมใช้งาน นี่คืองานวิทยาศาสตร์ต่างประเภทกัน ไม่ใช่การจัดอันดับความสามารถเอเจนต์อเนกประสงค์แบบเดียว
HyInv 1.96M พารามิเตอร์ เร็วกว่า ProteinMPNN 57× ในการสร้างลำดับโปรตีน HyPLM-Flash 650M พารามิเตอร์; 726B โทเคนเทรน 130,000 residues/s บน H20 หนึ่งตัว; คุณภาพแข่งขันได้ใน 32 งาน HyFF ห้ารุ่น; 2.3M–1.2B พารามิเตอร์ Pareto frontier ความแม่นยำ-ความเร็ว เทียบกับ 16 โมเดลสาธารณะ HyCell 16.1M พารามิเตอร์; เอ็มเบด 512 มิติ คะแนนรวม 0.735 บน cell atlas กันสำรองเจ็ดชุด HyProver เวิร์กโฟลว์พิสูจน์คณิตศาสตร์ ผลเกี่ยวกับสมมติฐานของ Petty และสมมติฐาน circle-action ของ Yau HyQEC โค้ดควอนตัม [[488,123,22]] เมตริกประสิทธิภาพ 122.0; สูงกว่าผู้นำเดิมราว 48% ภายใต้ข้อจำกัดที่ระบุ Spiral Hand การออกแบบมือหุ่นยนต์ห้านิ้ว หมุนวัตถุเร็วขึ้น 28.6% ในซิมูเลชัน DR5 XiangShan RISC-V ประสิทธิภาพ SPEC CPU2006 คะแนนต่อ GHz สูงขึ้น 5.79% พร้อมเพิ่มพื้นที่ 0.3%
ผลลัพธ์เหล่านี้แสดงผลลัพธ์วิจัยหลายประเภท ไม่ใช่คะแนนเอเจนต์อเนกประสงค์เดียว
HyInv: 57× Faster Protein Inverse Folding HyInv สร้างลำดับโปรตีนสำหรับโครงกระดูกเป้าหมาย รุ่น 1.96M พารามิเตอร์ของมันรายงานว่าเร็วกว่า ProteinMPNN 57× ค่าที่รายงาน 50.6 ms สำหรับการออกแบบ 128 รายการใช้โครงกระดูก 402 เรซิดิวส์ H20 หนึ่งตัว และ BF16 โดยไม่รวมการคอมไพล์และการจับกราฟ CUDA ถือเป็นความเร็วการสร้างแบบ warmed; การคัดกรองโครงสร้างยังคงเป็นส่วนหนึ่งของวงจรออกแบบเต็ม
HyPLM-Flash: High-Throughput Protein Language Modeling HyPLM-Flash เป็นโมเดลภาษาสำหรับโปรตีนขนาด 650M พารามิเตอร์ เทรนบน 726B โทเคน ในการประเมิน 28-checkpoint, 32 งานที่ปล่อยออกมา คะแนน ProteinGym อยู่ในระดับเสมอกับเอ็นโค้ดเดอร์ที่เปรียบเทียบได้ การอินเฟอเรนซ์แบบ INT8 ทำได้ราว 130,000 residues/s บน H20 หนึ่งตัว; BF16 เหมาะกว่าเมื่อความแตกต่างของตัวแทนขนาดเล็กมีผลต่อการวิเคราะห์ปลายน้ำ ตัวเลขเปิดตัวด้านล่างใช้ขอบเขตการประเมินที่ต่างออกไป
HyFF: Faster Molecular Simulation With Five Model Sizes HyFF ทำนายพลังงานโมเลกุลและแรงอะตอม มีห้าขนาดรุ่น ครอบคลุม 2.3M–1.2B พารามิเตอร์ บนการเปรียบเทียบ OMol25 ที่รายงาน Andante ให้ค่าแรงผิดพลาดใกล้เคียง UMA-S-1.2 (7.65 เทียบกับ 7.55 meV/Å) พร้อมความเร็วโมเลกิวลาร์ไดนามิกส์สูงกว่า 29× Largo รายงานค่าพลังงานผิดพลาดต่ำกว่า DPA4-Pro (0.364 เทียบกับ 0.380 meV/atom) และความเร็วสูงกว่า 9.7× เลือกขนาดโดยทดสอบทั้งความแม่นยำและเวลารันบนโมเลกุลที่คุณตั้งใจจำลอง
HyCell: A Single-Cell Embedding Model HyCell แมปค่าการแสดงออกของยีนเซลล์มนุษย์ไปเป็นเอ็มเบด 512 มิติ ด้วยโมเดลขนาด 16.1M พารามิเตอร์ บน cell atlas กันสำรองเจ็ดชุด คะแนนผสมคือ 0.735 ใกล้กับของ Stack ที่ 0.736 คะแนนนี้รวมความคงสภาพทางชีวภาพ การแก้ batch และการถ่ายโอนคำอธิบาย; ไม่ใช่ความแม่นยำการจัดประเภท ตรวจสอบเมตริกองค์ประกอบที่เกี่ยวข้องกับงานของคุณ
HyProver: Reusable Workflows for Mathematical Research HyProver จัดงานคณิตศาสตร์เป็นการสำรวจ การพัฒนาพิสูจน์ และการรีวิว ผลที่รายงานยืนยันกรณีห้ามิติของสมมติฐาน equilateral-set ของ Petty และให้ตัวอย่างโต้แย้งต่อรูปแบบที่ไม่มีข้อจำกัดของสมมติฐาน circle-action ของ Yau ผลเหล่านี้มีขอบเขตเฉพาะ: สมมติฐานของ Petty ยังไม่ถูกตัดสินในทุกมิติ และสูตร simply connected ของ Yau ยังเปิดอยู่
HyQEC: A 48% Improvement in Quantum-Code Efficiency HyQEC ค้นหาโค้ดแก้ข้อผิดพลาดควอนตัมและตรวจระยะห่างของมัน Tencent รายงานคอนสตรักชัน [[488,123,22]] ด้วยเมตริกประสิทธิภาพ kd²/n เท่ากับ 122.0 สูงกว่าผู้นำความท้าทายก่อนหน้าราว 48% ภายใต้ข้อจำกัดที่ระบุ นี่วัดประสิทธิภาพโค้ด ไม่ใช่ประสิทธิภาพฮาร์ดแวร์ควอนตัม ณ วันที่ 5 พฤศจิกายน 2026 การปล่อยอย่างเป็นทางการ มีเครื่องมือ hyqec-verify และ hyqec-check แต่ยังระบุว่าไฟล์โค้ดและใบรับรองของคอนสตรักชันนี้เป็นหลักฐานที่จะปล่อยในภายหลัง เครื่องมือสาธารณะและหลักฐานที่ทำซ้ำได้สาธารณะสำหรับผลเฉพาะเป็นหมุดหมายที่แยกกัน
Spiral Hand: AI-Designed Robotic Morphology Spiral Staircase Hand ของ Hyra ใช้นิ้วที่ยาวขึ้นเรื่อยๆ รอบฝ่ามือ Tencent รายงานความเร็วหมุนวัตถุเร็วขึ้น 28.6% และเป้าหมายที่สำเร็จมากขึ้น 21% เมื่อเทียบกับ Dextra ในซิมูเลชัน DR5 หลังงบประมาณ fine-tuning นโยบายเท่าๆ กัน การยืนยันบนฮาร์ดแวร์จริงยังคงค้างอยู่
สำหรับโปรเซสเซอร์ XiangShan RISC-V Tencent รายงานการปรับปรุงคะแนน SPEC CPU2006 ต่อ GHz เพิ่ม 5.79% ความถี่คอร์ไม่เปลี่ยน และเพิ่มพื้นที่ 0.3% งานนี้ยังพบบักที่ไม่ถูกรายงานมาก่อนสิบรายการและตัวอย่างโต้แย้งการคงสภาพแคช ผลลัพธ์เหล่านี้ใช้กับดีไซน์และเวิร์กโหลดที่ประเมิน ไม่ใช่ทุกระบบ RISC-V
How Should Researchers Interpret Hyra 2.0's Benchmarks? อ่านแต่ละเบนช์มาร์กภายในเวิร์กโหลดของมันเอง เปรียบเทียบอินพุต ฮาร์ดแวร์ ความแม่นยำ และขอบเขตเวลาเดียวกัน จากนั้นประเมินคุณภาพเอาต์พุตควบคู่กับเวลารัน สำหรับข้ออ้างทางวิทยาศาสตร์ ให้ตรวจโค้ด ข้อมูล พิสูจน์ หรือใบรับรองที่รองรับ: ผลที่รายงานกับผลที่ทำซ้ำอย่างอิสระให้ระดับหลักฐานที่ต่างกัน
Can Developers Use Hyra 2.0 Through an API? ณ วันที่ 4 พฤศจิกายน 2026 วัสดุ Hyra สาธารณะ อธิบายผลวิจัยและการปล่อยบางส่วน ยังไม่มีเอกสาร Orchestration API ของ Hyra 2.0 ที่ใช้งานทั่วไป ราคาแบบสมัครสมาชิก หรือแพ็กเกจดีพลอยแบบสมบูรณ์ ดังนั้นประกาศวิจัยและไฟล์ดาวน์โหลดควรถูกแยกออกจากการเข้าถึงระบบเต็มรูปแบบแบบโฮสต์
วัสดุที่เปิดเผยสาธารณะมุ่งที่ผลวิจัยและอาร์ติแฟกต์บางรายการ นักพัฒนาสามารถเข้าถึงโมเดลบางตัวที่สร้างผ่าน Hyra รวมถึง HyInv, HyPLM-Flash, HyFF และ HyCell ผ่านคลังวิจัยที่เกี่ยวข้อง
Harness ของ Hyra 2.0 แบบสมบูรณ์ควรถูกแยกจากเอาต์พุตที่ดาวน์โหลดเหล่านั้น
Hyra 2.0 and Hosted Hunyuan APIs นักพัฒนาสามารถเข้าถึง Tencent Hy4 ผ่าน CometAPI โดยใช้รหัสโมเดล hy4 สิ่งนี้ให้บริการอินเฟอเรนซ์โมเดลแบบโฮสต์สำหรับงานเช่นการโค้ด การวิเคราะห์ และเวิร์กโฟลว์เอเจนต์ มันไม่ได้ให้ Harness วิจัย Hyra 2.0 แบบสมบูรณ์; โมเดลวิทยาศาสตร์ที่พัฒนาผ่าน Hyra เปิดให้ใช้งานแยกต่างหากผ่านคลังวิจัยของ Tencent
What Would Make Hyra 2.0 Useful in a Research Team? เริ่มจากอาร์ติแฟกต์ที่ปล่อยตัวหนึ่งและเวิร์กโหลดอ้างอิงขนาดเล็ก เมื่อรันสำเร็จแล้ว ให้ทดสอบข้อมูลภายในที่เป็นตัวแทนด้วยเกณฑ์คุณภาพตายตัวและงบคอมพิวต์คงที่ เก็บรีวิชันของคลัง เวต สภาพแวดล้อม อินพุต และเอาต์พุตไว้ด้วยกันเพื่อให้เพื่อนร่วมงานทำซ้ำผลลัพธ์ได้ เพิ่มการประสานหลายเอเจนต์แบบถาวรเมื่อมีการรอคอยยาวนาน การทดลองที่พึ่งพากัน หรือสมมติฐานแข่งขันหลายสายที่ทำให้มันมีประโยชน์
Conclusion Hyra 2.0 นำการวางแผนวิจัย การดำเนินการทดลอง และความรู้ที่นำกลับใช้ได้มาไว้ในเวิร์กโฟลว์ถาวรเดียว เอาต์พุตเชิงวิทยาศาสตร์ของมันเป็นจุดเริ่มต้นที่มีแนวโน้มดีสำหรับงานต่อยอด สำหรับทีมวิจัย การทดสอบที่เป็นรูปธรรมคือว่าอาร์ติแฟกต์ที่ปล่อยนั้นช่วยปรับปรุงการทดลองจริงและสร้างหลักฐานที่ผู้อื่นตรวจและทำซ้ำได้หรือไม่
FAQ
How should a lab budget its first Hyra artifact trial? กันงบประมาณเป็นสามช่วง: การตั้งค่าสภาพแวดล้อมที่ทำซ้ำได้ การรันกรณีอ้างอิงขนาดเล็ก และการประเมินเวิร์กโหลดภายในที่เป็นตัวแทน รวมเวลาการเตรียมและรีวิวรวมถึงการใช้ตัวเร่งด้วย เลือดเกณฑ์การยอมรับก่อนเริ่ม เช่น การรักษาคุณภาพขั้นต่ำที่ต้องการพร้อมลดเวลาหมุนเวียน การทดสอบเริ่มต้นควรเล็กพอให้วินิจฉัยความล้มเหลวได้โดยไม่ต้องทุ่มทรัพยากรระดับแคมเปญวิจัยเต็มรูปแบบ
What should a reproducibility package contain? เก็บรีวิชันของคลัง ตัวระบุเวตของโมเดล เวอร์ชันสภาพแวดล้อม ที่มาของข้อมูลอินพุต การคอนฟิก เมล็ดสุ่มเมื่อเกี่ยวข้อง และเอาต์พุตการประเมินไว้ด้วยกัน บันทึกการเปลี่ยนแปลงใดๆ ที่ทำกับตัวอย่างที่เผยแพร่ เมื่อผลลัพธ์พึ่งพาพิสูจน์หรือใบรับรอง ให้เก็บเวอร์ชันตัวตรวจและเอาต์พุตของมันด้วย แพ็กเกจควรช่วยให้นักวิจัยคนอื่นแยกแยะปัญหาซอฟต์แวร์ อินพุตที่เปลี่ยน และความต่างแท้จริงของผลวิทยาศาสตร์ได้
How can researchers avoid benchmark contamination? แยกข้อมูลที่ใช้เลือกโมเดลหรือตั้งค่าจูน ออกจากข้อมูลที่ใช้ประเมินขั้นสุดท้าย แช่แข็งโปรโตคอลขั้นสุดท้ายก่อนเปรียบเทียบผู้ท้าชิง และบันทึกการทับซ้อนกับข้อมูล pretraining หรือพัฒนาใดๆ ที่พิสูจน์ได้ สำหรับชุดข้อมูลวิทยาศาสตร์ใหม่ ให้ใช้สปลิตที่สะท้อนสภาพใช้งานตั้งใจ เช่น ชุดศึกษาที่กันสำรองหรือเงื่อนไขการทดลอง คะแนนที่สูงจะให้ข้อมูลน้อยลงหากตัวอย่างประเมินมีอิทธิพลต่อระบบที่ทดสอบซ้ำๆ
How should teams handle conflicting agent conclusions? เปรียบเทียบการทดลองฐานมากกว่ารวมข้อสรุปด้วยการโหวต ตรวจว่าบรรดาเอเจนต์ใช้เวอร์ชันชุดข้อมูล สมมติฐาน เมตริก และคอนฟิกซอฟต์แวร์เดียวกันหรือไม่ เก็บทั้งสองผลไว้จนกว่าจะอธิบายความต่างได้ จากนั้นรันการทดลองที่เจาะจงเพื่อแยกแยะคำอธิบายที่แข่งกัน ข้อตกลงระหว่างเอเจนต์มีประโยชน์ แต่ไม่ทดแทนการวัดภายนอกหรือข้อโต้แย้งที่ตรวจได้
When is a simpler research workflow preferable? งานสั้น Deterministic ที่มีสคริปต์สุกงอมและตัวประเมินชัดเจนอาจไม่ได้ประโยชน์จากการประสานหลายเอเจนต์แบบถาวร ค่าใช้จ่ายด้านการจัดตาราง การบันทึก และการรีวิวอาจมากกว่าประโยชน์ เพิ่ม orchestration เมื่อการทดลองมีการพึ่งพากันอย่างมีนัยยะ การรอคอยยาวนาน สมมติฐานแข่งขันหลายสาย หรือเอาต์พุตที่นำกลับใช้และต้องดูแลต่อเนื่อง การตัดสินใจควรสอดคล้องกับโครงสร้างเวิร์กโหลดและต้นทุนการประสานที่สังเกตได้
