Hyra - 腾讯混元推出的科学发现智能体

2026-07-23 0

Hyra是什么

Hyra（Hunyuan Research Agent）是腾讯混元推出的研究智能体，Hyra-1.0于2026年7月21日发布，主要用于自动化AI研究、科学发现和工程优化任务。它通过经验积累、方案探索和自动评估，实现递归自我改进，帮助研究人员处理复杂实验与优化问题。

工具名称：Hyra（Hunyuan Research Agent），腾讯混元研究智能体。
开发公司：腾讯混元团队
发布时间：Hyra-1.0于2026年7月21日正式发布，是Hyra系列首个公开版本。
主要功能：支持AI模型优化、数学发现、GPU Kernel优化、量子计算、药物设计、3D建模等任务。
技术特点：采用轻量Harness架构，通过Context Agent、Proposal Agent和Experience Bank实现持续探索。
使用方式：主要面向研究人员和开发者，通过任务定义、智能体循环和自动评估完成研究任务。
价格说明：目前公开信息主要集中于研究发布和实验结果，未公布商业订阅价格。
适用人群：AI研究人员、算法工程师、科研团队以及需要自动化优化任务的开发者。

Hyra的核心优势

递归改进能力：通过经验库记录代码、日志和评估结果，持续生成优化方案，在NanoChat、NanoGPT、SOL-ExecBench三项任务中均超过Recursive基线。
科研任务适配：采用轻量Harness框架，将任务拆解为探索、执行、评估和优化循环，可覆盖AI研发、数学发现、工程优化等多类场景。
评估器共进化：支持双层循环机制，不仅优化solution，还能根据历史反馈升级评估标准，降低AI针对指标作弊的风险。
多领域应用能力：Hyra已展示AI模型优化、量子计算、药物设计、3D建模等应用案例，覆盖十余个研究与工程方向。
自动化实验流程：通过Context Agent和Proposal Agent协作，将方案生成、代码运行、结果评分自动串联，减少人工重复实验成本。
开放复现能力：实验产物和案例代码公开，研究人员可基于已有结果继续测试和优化，提升科研协作效率。

Hyra的主要功能

经验库管理：Context Agent负责保存历史solution、运行日志和评估反馈，为后续任务提供可复用经验和优化方向。
方案自动生成：Proposal Agent根据任务上下文创建新的solution文件，并通过solve.sh入口运行测试，适合自动化研发任务。
沙盒执行评估：每个方案都会在独立环境运行并评分，帮助研究人员快速比较不同方案效果，降低实验风险。
自动模型优化：支持训练策略、GPU kernel和系统流程优化，例如Hyra在SOL-ExecBench中将Mean SOL提升至0.771。
科学发现辅助：能够分析数据寻找规律，在55个数学开放问题中刷新29个历史最佳结果，并生成科学计算方案。
创意任务探索：支持3D建模、游戏Bot、音乐编排等开放任务，通过反馈循环持续优化生成结果。

如何使用Hyra

定义研究任务：输入模型优化、算法设计或科学计算目标，并设置评估指标。Hyra可根据任务选择已有评估器或生成初始评估方案。
启动Harness框架：提交任务后，Hyra自动初始化Context Agent和Proposal Agent，负责经验整理、方案生成和优化流程。
生成测试方案：Proposal Agent根据经验上下文创建solution，通过solve.sh入口运行，并在独立沙盒环境中完成测试。
评估积累经验：系统根据运行结果评分，并将代码、日志和反馈保存至Experience Bank，支持后续优化。
循环探索优化：Hyra持续分析历史结果，生成改进方案，直到达到预算限制或找到更优solution。
获取最终方案：任务完成后返回最佳solution和实验记录，方便研究人员复现和继续优化。

Hyra的项目地址

项目官网：Hyra: 简单有效的科学发现智能体

Hyra的应用场景

AI模型研发：适合研究人员优化训练方案、数据策略和推理系统，例如Hyra在NanoChat任务中将Validation BPB降低至0.9015。
GPU性能优化：适用于底层工程优化，通过自动生成和测试kernel方案，提高计算效率，Hyra在SOL-ExecBench达到Mean SOL 0.771。
数学科学发现：科研人员可输入开放数学问题，让Hyra探索新解法，目前已在55个问题中刷新29个历史最佳结果。
药物分子设计：可用于早期药物研发，通过目标分子设计和模拟评分筛选候选结构，但仍需实验验证。
量子计算优化：可帮助设计量子比特路由算法，在IBM Q20测试中相比SABRE提升44.4%的路由效率。
创意内容生成：适合3D设计、游戏策略和音乐创作，通过多轮反馈优化作品质量，提高创作探索效率。

Hyra的价格与付费方案

目前Hyra主要以科研项目形式公开，腾讯尚未公布面向普通用户的商业订阅价格、API价格或免费额度。现阶段Hyra更接近研究型智能体平台，主要服务对象是AI研究人员、开发团队和科研机构。

使用Hyra时需要注意的问题

Hyra目前定位为研究智能体，并非普通内容生成工具。使用过程中需要具备任务设计、实验评价和结果分析能力。部分实验结果仍处于模拟验证阶段，例如药物设计需要进一步经过合成和湿实验验证。此外，自动优化系统可能出现针对评估指标优化的问题，因此需要合理设计评价体系。

和其他AI工具相比，Hyra有哪些差异？

对比维度	Hyra	Recursive Research Agent	AlphaEvolve	ChatGPT Deep Research
产品定位	腾讯混元推出的科学发现智能体，面向AI研发、科学计算和工程优化任务。	自动化研究智能体，主要探索模型训练和工程优化方向。	Google DeepMind推出的算法发现智能体，重点优化数学和算法问题。	ChatGPT中的研究功能，主要用于资料检索、分析和报告生成。
核心机制	采用Experience Bank经验库、Context Agent和Proposal Agent协作，通过循环优化方案。	通过自动实验循环搜索更优方案，重点关注模型研究任务。	利用Gemini模型驱动算法搜索和代码优化。	通过网络搜索、资料分析和推理生成研究结果。
自动实验能力	支持生成代码、沙盒运行、自动评分，并根据结果持续优化。	支持自动执行研究任务，但公开案例主要集中于AI优化领域。	支持算法实验和结果验证，适用于数学和工程问题。	主要完成信息分析，不以代码执行和实验优化为核心。
评估优化能力	支持双层循环，可同步优化solution和评估器，降低奖励漏洞风险。	主要围绕已有评估标准优化任务结果。	侧重算法结果优化，未公开强调评估器共进化机制。	依赖已有信息和用户需求，不提供科研循环优化。
代表成果	在NanoChat、NanoGPT Speedrun、SOL-ExecBench测试中超过Recursive结果，并在55个数学问题中刷新29个最佳结果。	参与自动化AI研究任务，提供公开基准测试方案。	完成4×4复数矩阵乘法优化，将标量乘法降低至48次。	适用于复杂资料整理、行业研究和文献分析。
适用场景	科研实验、模型优化、算法研究、量子计算、药物设计等专业任务。	AI工程研发和模型训练优化。	算法发现、数学优化和代码搜索。	市场分析、知识整理、研究报告生成。

Hyra与Recursive Research Agent、AlphaEvolve属于自动化研究智能体方向，而ChatGPT Deep Research更偏向信息检索和知识分析。根据公开测试数据，Hyra重点优势在于持续实验、经验积累和评估器优化，适合需要长期探索的科研与工程任务。

关于Hyra的常见问题

Hyra怎么用？需要编程基础吗？

Hyra主要面向研究人员和开发者使用，需要用户能够定义研究任务和评价目标。相比普通AI聊天工具，Hyra更强调实验流程设计，因此需要一定技术背景。

Hyra免费吗？有没有公开价格？

目前Hyra没有公布面向个人用户的收费方案，也没有公开API价格或免费额度。

Hyra效果如何？能够提升多少效率？

Hyra在公开测试中展示了自动优化能力。在NanoChat任务中Validation BPB达到0.9015，在NanoGPT任务中达到3.28 loss时间缩短至76.4秒，在SOL-ExecBench中Mean SOL达到0.771，说明其能够在特定研究任务中减少人工实验成本。

Hyra支持哪些功能？

Hyra支持AI模型优化、GPU Kernel优化、数学发现、量子计算、药物设计、3D建模和音乐生成等任务。

Hyra和AlphaEvolve哪个好？

A: 两者定位不同。AlphaEvolve主要用于算法发现，而Hyra覆盖更广泛的研究场景，包括AI研发、科学发现和工程优化。选择哪种工具取决于任务类型，算法优化更适合AlphaEvolve，综合研究任务更适合Hyra。

Hyra适合普通用户使用吗？

目前Hyra更适合科研人员、算法工程师和技术团队。普通用户如果只是需要内容生成、办公辅助或图片处理，传统AI工具更容易上手。Hyra主要价值在复杂研究和工程优化领域。

Hyra未来会应用在哪些方向？

腾讯表示，未来Hyra将继续参与下一代Hy模型迭代，并探索真实AI研发流水线、产品系统和工业场景。

喜欢(0)

OpenAI挖了苹果400人:又盯上了苹果身后的中国制造商

AI行情两极化：云企承压