AI 摘要
- 騰訊混元發布 Hyra 2.0，讓 AI Agent 參與科學工具與模型研發。
- Hyra 2.0 已涵蓋蛋白質、數學、量子糾錯及處理器等七大方向。
- 系統將驗證後的研究經驗整理成可重複使用的工具與 Skill。
騰訊混元正式發布 Hyra 2.0，將人工智慧 Agent 的角色從解決單一科學問題，延伸至科學工具、模型與研發流程本身的設計和升級。相較於三個月前推出、主要面向通用科研問題的 Hyra 1.0，Hyra 2.0 針對長週期、多人協作及高計算需求的研究工作，建立更完整的自動化研發架構。
騰訊混元表示，Hyra 1.0 在開源模型 Hy3 驅動下，曾解決加法組合學中懸而未決超過 50 年的和集與差集最優指數問題，成為國產開源模型首次全自動解決數學開放問題的案例。Hyra 2.0 的方向則不再只聚焦於「AI 刷題」，而是讓一次研究產生的工具、經驗與工作流程，能夠在後續任務中反覆使用。
從解決問題轉向打造研究工具
在 AI4Science 的發展過程中，研究模式已從 AlphaFold、AlphaEarth 和 AlphaGeometry 等針對特定問題的系統，逐步轉向由通用模型驅動 Agent 直接處理科學問題。Hyra 2.0 進一步將 Agent 導入科學工具和模型的研發階段，希望透過持續沉澱研究成果，形成可重複利用的能力。
訓練一個模型通常需要經歷方案設計、程式碼實現、訓練、評估及多輪修改，完整週期可能持續數天甚至數週。為適應這類工業級研發環境，Hyra 2.0 接入騰訊內部研發流程，包括在企業微信中與研究者確認需求、在計算平台提交和管理實驗，以及在程式碼倉庫中完成改動、驗證和保存研究產物。
Overall、Mission 與 Worker 三層架構
Hyra 2.0 的 Harness 架構以三層 Agent 分工支援長期研究：
- Overall（總體協調）：與人類研究者溝通，管理專案優先級，協調算力資源及關鍵決策。
- Mission（任務長官）：長期負責一項獨立研究問題，決定研究路線、設計實驗、組織 Worker，並對最終結論負責。
- Worker（執行工蜂）：獨立閱讀程式碼、執行實驗、分析失敗原因，並提出新的研究想法。
系統也支援不同 Worker 使用不同模型，以提供多角度分析和複核意見。為支援長期且並行的複雜研究，Hyra 2.0 引入持久化佇列和 Research Board 研究看板，並設置獨立的 Review Worker 負責檢查研究結論。
在資料管理方面，Hyra 2.0 將專案狀態、Agent 工作記憶及可複用經驗分開保存。經驗經過驗證後會沉澱至共享知識庫 Books，再整理成可遷移的 Skill，供後續任務調用和持續改進。
七大領域的初步成果
騰訊混元表示，Hyra 2.0 已完成多項前沿工具與模型的研發升級，成果持續在開源社群公開，涵蓋蛋白質研究、分子模擬、數學證明、量子糾錯、機器人、處理器等七個方向。
HyInv：蛋白質逆折疊
Hyra 2.0 從頭訓練出 196 萬參數的圖神經網路 HyInv，針對藥物設計中的蛋白質逆折疊問題，採用「先起草、再改寫」的兩步採樣方法。騰訊混元表示，HyInv 生成的序列與目標結構吻合度優於業界常用的 ProteinMPNN，生成速度則提升 57 倍。
HyPLM：蛋白質語言模型
HyPLM-Flash 是一款從頭訓練的蛋白質語言模型，具備 6.5 億參數，累計使用 7,260 億個訓練 Token，約為同類模型的五分之一至八分之一。根據騰訊混元提供的比較結果，HyPLM-Flash 在同類模型中具備最快推理速度，並在 35 個評測任務中平均排名第三。
HyFF：原子級基礎模型
面向大規模分子模擬的 HyFF 提供五種模型規模，參數量從 230 萬至 12 億不等，支援 83 種元素。其實際模擬成果包括支援近 6 萬原子水通道蛋白膜體系的 100 納秒模擬，以及追蹤 4.6 萬原子酶體系中的完整斷鍵與成鍵反應過程。
HyProver：數學證明工作流
HyProver 是面向純數學證明的 Agent 工作流，主打在維持 Token 使用效率的同時進行較大範圍探索。騰訊混元表示，HyProver 已協同數學家核驗並整理丘成桐的圓周作用猜想及五維 Petty 等距點猜想的證明。
HyQEC：量子糾錯系統
HyQEC 面向量子低密度奇偶校驗碼（qLDPC）的構造與驗證。其 Split Pauli-CPM 演算法構造並嚴格驗證量子碼 [488，123，22]，編碼效率指標較原有榜首提升約 48%。在碼距驗證方面，GPU 加速搜尋吞吐量達到原 CPU 工具的 8 至 55 倍，並完成排行榜 187 個條目中 178 個的精確碼距認證。
靈巧手本體設計
Hyra 2.0 也嘗試將研究範圍延伸至機器人本體結構。系統自主發現一種五指繞掌心排列、長度逐步變化的「旋梯手」設計。在相同策略微調預算下，該設計的平均旋轉速度為 3.277 rad/s，較最優設計快 28.6%，目標完成數提升 21%。
香山處理器優化
在開源 RISC-V 處理器「香山」專案中，Hyra 2.0 進行效能調校與正確性驗證。騰訊混元表示，系統透過修復多項問題，使 SPEC CPU2006 基準測試的每 GHz 得分提升 5.79%，相當於官方 2 至 3 個月的迭代成果；此外，新設計的模糊測試與形式化驗證找出 10 個未公開 Bug，以及一個多核心快取一致性反例。
研究成果能否形成持續複利
目前，Hyra 2.0 也被投入騰訊混元下一代 Hy 模型的預訓練、後訓練與推理優化，目標是縮短實驗週期，並自動化生成高品質訓練資料以降低研發開銷。
從架構設計來看，Hyra 2.0 的核心改變在於把 Agent 從一次性任務執行者，轉變為能夠管理研究流程、累積經驗並製作工具的協作系統。這種模式能否在不同研究領域穩定重現，仍取決於模型能力、算力成本、實驗可驗證性及人類研究者的審查機制。現階段公開成果主要由騰訊混元提供，相關效能比較與研究價值仍需要更多獨立測試和社群驗證。
Reference Link : news.aibase.com
