Hunyuan Hyra 2.0: من البحث الآلي إلى تصميم البروتينات، القدرات ونتائج الاختبارات ودليل API

ما هو Hunyuan Hyra 2.0؟

Hyra 2.0 وكيل بحث آلي من Tencent Hunyuan، وليس نموذج محادثة عاديًا

يجيب نموذج المحادثة عن الأسئلة، أما وكيل البحث فيواصل العمل على مسألة قابلة للتحقق حتى يصل إلى نتيجة. تسمي Tencent نظام Hyra باسم Hunyuan Research Agent. وتشمل نتائجه المنشورة تدريب النماذج الصغيرة، وعمليات GPU، والمسائل الرياضية الصعبة، والدوائر الكمومية، ونمذجة البروتينات، وخوارزميات التنبؤ.

مثلًا، قد تخبرك أداة محادثة عادية «كيف تسرّع التدريب»، بينما يقترب هدف وكيل البحث من «تعديل برنامج التدريب، وتشغيل التجارب، والحصول على قياسات جديدة، وترك كود وسجلات يمكن مراجعتها». نرى أن السؤال الأهم لفهم Hyra ليس مدى سلاسة محادثته، بل هل يمكن إعادة إنتاج الحلول التي يكتشفها؟ وهل تتجاوز النتائج المرجعية الحالية؟ وهل تستحق موارد الحوسبة المطلوبة؟

يحتفظ مستودع Hyra-results الذي نشرته Tencent أساسًا بالحلول النهائية وبعض برامج إعادة التجارب. ولم تنشر الشركة فيه تفاصيل كاملة عن تنسيق أبحاث الوكيل، أو استراتيجية البحث، أو النموذج الذي يعتمد عليه. مستودع نتائج Hyra

توجيه البحث بنتائج التجارب: ربط الكود والتقييم والتحقق

تجمع نتائج Hyra المنشورة سمة واضحة: للمسألة عادة هدف يمكن حسابه. مثلًا، كلما انخفضت خسارة التحقق بعد التدريب كان ذلك أفضل، وكلما قصر وقت التدريب عند الدقة نفسها كان أفضل، وكلما قل عدد البوابات المضافة إلى الدائرة الكمومية كان أفضل. بهذه الطريقة، يمكن أن تتحول الفكرة الجيدة إلى كود أو سجل تشغيل أو مادة إثبات، بدل أن تبقى مجرد شرح يبدو مقنعًا.

نقترح فهم هذا الأسلوب في أربع خطوات قابلة للمراجعة: تحديد مقياس الهدف، وإنتاج حلول مرشحة، وتقييمها في بيئة خارجية، ثم حفظ النتائج التي اجتازت التحقق. هذا وصف استنتجناه من المخرجات المنشورة، ولا يعني أن Tencent كشفت كل البنية الداخلية لـ Hyra 2.0.

أبسط مثال للمستخدم العادي هو: «ساعدنا في جعل برنامج يعمل بالفعل أسرع». لكن ذلك يتطلب بيانات اختبار، وبيئة تشغيل، وشروط نجاح واضحة. أما عبارة «اجعل الخوارزمية أفضل» وحدها فلا تمنح حتى النموذج القوي تعريفًا واضحًا للنجاح.

أنتج Hyra 2.0 نماذج بروتينات، لكن هذه النماذج ليست الوكيل نفسه

حتى تاريخ المراجعة، نشرت Tencent مشروعين يستحقان الاهتمام في مستودع النتائج. الأول HyInv، وهو نموذج للطي العكسي للبروتينات بنحو 1.96 مليون معلمة، يولّد تسلسل أحماض أمينية انطلاقًا من هيكل البروتين. والثاني HyPLM-Flash، وهو نموذج لغة للبروتينات بنحو 650 مليون معلمة، لتمثيل تسلسلات البروتين وإجراء مهام التنبؤ المرتبطة بها. ويذكر ملف README لكل منهما أنه دُرّب بواسطة Hyra 2.0.

نؤكد هنا أن HyInv وHyPLM-Flash نموذجان مستقلان يمكن الحصول على كودهما وأوزانهما وتشغيلهما حسب التعليمات؛ وهما ليسا نموذج محادثة عامًا باسم hyra-2.0. يعالج الأول تصميم التسلسل من البنية، ويعالج الثاني ترميز التسلسل والتحليلات اللاحقة. وهذا أكثر فائدة للباحثين من القول المجرد «يمكن للذكاء الاصطناعي إجراء الأبحاث»، إذ يتيح البدء بمهمة محددة لإعادة إنتاجها.

وثائق المشروعين: README الخاص بـ HyInv · README الخاص بـ HyPLM-Flash

قدرات Hunyuan Hyra 2.0 الأساسية ومجالات قوته

أبحاث الذكاء الاصطناعي الآلية: تحسين طريقة تدريب النماذج الصغيرة، لا الاكتفاء بالنصائح

نرى أن أول جوانب قيمة Hyra هو البحث الآلي عن طرق التدريب. فقد نشر مشروع nanochat_autoresearch ملف train.py وبرامج التشغيل وسجلات التدريب الكاملة. وتستخدم الإعدادات المنشورة بطاقة NVIDIA B200 واحدة وميزانية تدريب ثابتة تقارب 300 ثانية، وتحقق BPB للتحقق قدره 0.901543. يمكن تبسيط BPB باعتباره مقياس خسارة لجودة التنبؤ بالنص؛ وفي هذه المهمة، الأقل أفضل.

بالنسبة للمطور، هذه ليست مقالة عامة عن «نصائح ضبط المعلمات». فالنتيجة تتضمن تغييرات محددة في نافذة الانتباه، وإعدادات المحسّن، وخصائص n-gram الإضافية، وجدول التدريب. ننصح بدراسة هذه التغييرات القابلة لإعادة الإنتاج أولًا، ثم تقرير مدى ملاءمتها لنموذجك، بدل نسخ إعدادات شخص آخر إلى بيانات مختلفة تمامًا في الحجم. تجربة nanochat

تحسين عمليات GPU: تحويل زيادة السرعة إلى تنفيذ قابل للتشغيل

من الأخطاء الشائعة في تحسين GPU الاعتقاد بأن الكود الذي يبدو أكثر تطورًا سيكون أسرع. فقد يكون أبطأ أو يعطي نتائج خاطئة لبعض المدخلات. يقدّم Hyra في SOL-ExecBench بعض المخرجات المقدمة فعليًا، وتشمل عمليات الانتباه، وتوزيع MoE، وضرب المصفوفات، وعمليات مرحلة الاستدلال. ويحتوي المجلد العام على 10 أمثلة اجتازت التحقق من صحة النتائج، مع رقم التقديم وزمن التنفيذ والدرجة لكل مثال.

نولي أهمية خاصة للاحتفاظ بحالة التحقق من الصحة. مثلًا، سجل أحد أمثلة Flash/GQA attention زمنًا قدره 0.177612 مللي ثانية، لكن الرقم يخص المهمة والعتاد اللذين جرى تقييمهما فقط. ولا يعني أن حساب الانتباه في أي نموذج سيصل إلى السرعة نفسها. ننصح فرق خدمات الاستدلال بتثبيت أبعاد المدخلات والدقة العددية والعتاد وإصدار المترجم، ثم مقارنة زمن التنفيذ واتساق المخرجات قبل التحسين وبعده.

نتائج عمليات GPU

الاكتشافات الرياضية: من إجابات مرشحة إلى براهين قابلة للفحص

الرياضيات مجال آخر يستحق المتابعة في وكلاء البحث. يسجل مستودع Hyra نتائج في الهندسة، والتوافقيات، ومتباينات المؤثرات. مثلًا، ارتفع الحد الأدنى لحجم جسم محدب ذي عرض ثابت في ثلاثة أبعاد من نحو 0.380799 إلى 0.411040. كما أبلغت ملاحظات أضيفت في 2 نوفمبر 2026 عن نتيجة لحدسية Petty للنقاط متساوية البعد في خمسة أبعاد، وعن مثال مضاد لحدسية Yau لفعل الدائرة في الحالة غير البسيطة الاتصال.

لا ينبغي اختزال هذه النتائج في عبارة «حل الذكاء الاصطناعي جميع الحدسيات الرياضية». نهتم أكثر بنطاق البرهان، وما الذي أثبته الفحص الصوري بالضبط، وهل ما زالت النتيجة تحتاج إلى مراجعة متخصصين في الرياضيات. في العمل البحثي الجاد، ننصح بالاحتفاظ بنص النظرية الأصلي، وكامل فرضياتها، وملفات البرهان، وسجلات الفحص المستقل قبل الاستشهاد بها.

مجلد النتائج الرياضية

تصميم البروتينات: يحوّل HyInv البنية إلى تسلسلات أحماض أمينية مرشحة

يعالج HyInv مهمة محددة جدًا: لدى الباحث بنية العمود الفقري للبروتين، ويريد تصميم تسلسلات قد تلائمها. يتيح الاستخدام عبر سطر الأوامر وPython، ويدعم قراءة ملفات PDB، واختيار السلسلة، وتثبيت مواضع محددة، وتوليد عدة تسلسلات مرشحة باستخدام بذرة عشوائية. يبلغ حجم الأوزان المنشورة نحو 7.8 MB، ويمكن تشغيل التنفيذ المرجعي على CPU أو GPU.

الفائدة لفرق التقنية الحيوية هي إمكانية برمجة الخطوات المتكررة لتوليد التسلسلات المرشحة. لكن «توليد تسلسل» لا يساوي «اكتشاف دواء فعال». ما زالت التسلسلات تحتاج إلى التحقق من البنية والاستقرار وإجراء التجارب. ننصح بالبدء بعدد قليل من البنى العامة لفحص التنسيق والمخرجات، ثم فرز النتائج وفق آلية تقييم البنى لدى الفريق، وبعدها الانتقال إلى التجارب.

مشروع HyInv وتعليمات تشغيله

تحليل تسلسلات البروتين: HyPLM-Flash أنسب للترميز على دفعات والتنبؤ اللاحق

يختلف دور HyPLM-Flash عن HyInv: يستقبل تسلسلات البروتين ويخرج تمثيلات متجهية لكل بقية حمض أميني أو للتسلسل كاملًا، كما يوفر logits لتقييم الطفرات. يتضمن تنفيذ Tencent محرك استدلال INT8، وتبلغ الإنتاجية المعلنة نحو 130,000 بقية حمض أميني في الثانية على بطاقة H20 واحدة. هذا رقم من بيئة حددها المطور، وليس وعدًا بالسرعة نفسها على أي بطاقة رسومية.

ننصح بالنظر إليه بوصفه «أداة لاستخراج خصائص التسلسل داخل نظام بحثي». يمكن مثلًا ترميز البروتينات على دفعات ثم تمرير المتجهات إلى برنامجك للتصنيف أو التجميع أو توقع الخصائص. للمطور العادي، فهم أن المدخل تسلسل أحماض أمينية والمخرج متجهات أنفع من الانشغال بعدد المعلمات البالغ 650 مليونًا. أما الباحثون، فننصحهم بمقارنة الدقة وحجم الدفعات وزمن البدء من الحالة الباردة معًا لاختيار INT8 أو BF16 وفق المهمة.

مشروع HyPLM-Flash

اختبارات Hunyuan Hyra 2.0 وأداؤه

نستخدم في هذا الجزء بيانات تجارب خاصة بكل مهمة نشرتها Tencent. هذه الأرقام ليست ترتيبًا لنموذج محادثة Hyra 2.0 وفق معيار موحد؛ بعضها يسجل اكتشافات نظام Hyra البحثي، وبعضها يقيّم نماذج مستقلة درّبها Hyra 2.0. وتعتمد إمكانية تكرار النتائج في عملك على بيئة الاختبار والنتائج المرجعية.

جودة تدريب نموذج اللغة: انخفض BPB للتحقق في nanochat من 0.9109 إلى 0.9015

يقارن مستودع Tencent النتيجة بسجل مماثل نشرته Recursive: الرقم السابق 0.9109 BPB، بينما بلغ Hyra نحو 0.9015 BPB، بفارق مطلق يقارب 0.0094. والرقم الدقيق لـ Hyra هو 0.901543 على 1× B200، مع تدريب استغرق نحو 300.1 ثانية، ووقت إجمالي يشمل التحضير والتقييم يقارب 348.4 ثانية. «التحسن» هنا هو انخفاض خسارة التحقق، ولا يمكن تحويله إلى زيادة في دقة الإجابة عن الأسئلة عمومًا.

نصيحتنا: إذا كان الفريق يحسّن تدريب النماذج الصغيرة، يمكن البدء بإعادة هذه التجربة لفحص ذاكرة GPU وإعداد البيانات وطريقة التحقق. أما تدريب النماذج التجارية، فيظل الحكم فيه لمقاييس بياناتك وتكلفة التدريب النهائية. لا تعمم مكاسب اختبار مدته خمس دقائق على كل أحجام النماذج.

سجل nanochat من Hyra · النتيجة المرجعية من Recursive

سرعة التدريب: انخفض nanoGPT Speedrun من نحو 77.5 ثانية إلى 76.435 ثانية

في تجربة nanoGPT Speedrun، يستخدم كود Hyra المنشور حسابات FP8 لعمليات المصفوفات الكبيرة ويعدل خطة التدريب. يحتفظ المستودع بثلاثة أزمنة تشغيل: 76.431 و76.467 و76.408 ثانية، بمتوسط 76.435 ثانية، ومتوسط خسارة تحقق يقارب 3.28007. مقارنة بالمرجع المذكور في المستودع، وهو نحو 77.5 ثانية، انخفض الوقت بنحو 1.1 ثانية، أي 1.4% تقريبًا.

شروط هذه النتيجة محددة بدقة: 8× H100، وإصدارات CUDA وPyTorch وTriton ومجموعة البيانات المعنية. متوسط الخسارة بعد التقريب هو 3.280، لكن عرض الرقم بهذه الصورة لا يعني أن كل تجربة كانت أقل من 3.280 فعلًا.

نصيحتنا: لا تفكر في اعتماد تحسينات FP8 هذه إلا إذا كانت بيئة التدريب قريبة. سنعيد التجربة ثلاث مرات على الأقل، ونقارن المتوسط والتفاوت والخسارة النهائية. وإذا كان نظامك يستخدم تنفيذًا آخر للعمليات، فابدأ باختبار A/B محدود النطاق.

تجارب nanoGPT الثلاث من Hyra

تقييم عمليات GPU: ارتفعت نتيجة SOL-ExecBench من 0.754 إلى 0.771

في مقارنة SOL-ExecBench المنشورة، بلغت درجة SOL الإجمالية المرجعية لـ Recursive 0.754، بينما أبلغ مستودع Hyra عن 0.771، بزيادة 0.017. يقيس SOL مدى اقتراب التنفيذ من سقف الأداء الذي يحدده الاختبار، ولا يعني نسبة صحة عامة للكود قدرها 77.1%. ونشرت Tencent أيضًا 10 أمثلة مع تحقق من صحة النتائج، لكنها ليست بديلًا عن مجموعة بيانات الاختبار الكاملة.

نصيحتنا: لفرق بوابات الاستدلال أو خدمات GPU، نبدأ بالعمليات التي تشكل عبئًا فعليًا في الخدمة، ونسجل أزمنة P50/P95 والإنتاجية وذاكرة GPU والخطأ العددي. السعي إلى أعلى درجة في اختبار صغير واحد قد لا يخفض تكلفة الخدمة كاملة من البداية إلى النهاية.

Hyra SOL-ExecBench · نتائج Recursive المنشورة

توجيه الدوائر الكمومية: انخفض عدد CNOT الإضافي من 269,037 إلى 258,369

توجد في الحوسبة الكمومية أيضًا مهام تحسين قابلة للقياس. فعندما لا يكون كيوبتان متجاورين على الجهاز الفعلي، تضطر خوارزمية التوجيه إلى إضافة عمليات. يسجل مستودع Tencent 61 دائرة جرى التحقق منها، ويقارن على ثلاثة أشكال اتصال، هي Q20 وما يشبه Willow وما يشبه Heron، بالمرجع الذي تستشهد به SimpleTES:

وفق طريقة الحساب نفسها في الجدول، قل العدد الإجمالي بمقدار 10,668 من بوابات CNOT، أي نحو 4.0%. وهذا يقيس العبء الإضافي لتوزيع الدائرة على العتاد، ولا يعني أن الحاسوب الكمومي كله أصبح أسرع بنسبة 4%.

نصيحتنا: إذا كنت تعمل على ترجمة الدوائر الكمومية، فراجع OpenQASM الناتج وقيود الاتصال أولًا. أما إذا كنت تختار أداة محادثة عامة، فلا ترتبط هذه النتيجة مباشرة بجودة الإجابات اليومية.

مشروع الدوائر الكمومية · ورقة SimpleTES

استدلال البروتينات: نحو 130,000 بقية في الثانية مع HyPLM-Flash وتصميم دفعات في مللي ثوانٍ مع HyInv

هذه أرقام لنماذج مستقلة أنتجها Hyra 2.0، وليست سرعة الوكيل من البداية إلى النهاية. أبلغت Tencent عن نحو 130,000 بقية حمض أميني في الثانية لـ HyPLM-Flash على بطاقة H20 واحدة بإعداد INT8. وفي المقارنة المصاحبة، التي تشمل 32 مهمة و28 نقطة تحقق منشورة، بلغ معامل ارتباط Spearman دون تدريب إضافي على ProteinGym 0.409، وهو قريب إحصائيًا من عدة مشفّرات بروتينات مماثلة الحجم. يقيس هذا المؤشر الارتباط، وليس دقة التصنيف.

أما HyInv فأبلغ عن نحو 25 مللي ثانية بالمسار المحسّن BF16، مقابل نحو 999 مللي ثانية بالتنفيذ المرجعي، لتوليد دفعة من 128 تصميم بروتين بطول يقارب 148 على H20. لكن هذا القياس لا يشمل التجميع الأول ولا التقاط CUDA Graph. كذلك توجد فروق عددية بين المسار المحسّن ومرجع FP32، فلا ينبغي اتخاذ قرار الاستبدال بناء على السرعة وحدها.

نصيحتنا: نوصي فرق الأبحاث الحيوية بتقييم الجودة وإنتاجية الدفعات وإمكانية إعادة النتائج كلًا على حدة. إذا كان العمل غالبًا على تسلسل قصير واحد، فقِس زمن الطلب الأول. أما عدد البقايا في الثانية فيكون أولوية أكبر للمهام غير المتصلة واسعة النطاق. كما أن تقييم التسلسل لا يغني عن التجارب المخبرية.

HyPLM-Flash · HyInv

مقارنة Hunyuan Hyra 2.0 مع Recursive وSimpleTES وTTT-Discover وAlphaEvolve

المقارنة هنا بين أنظمة لأتمتة البحث أو أطر بحثية، وليست بين أربعة «نماذج محادثة» يمكن استبدال أحدها بالآخر مباشرة في الواجهة نفسها. نستخدم أرقام المهام المشتركة قدر الإمكان، وعندما لا يوجد اختبار موحد نقارن طريقة العمل وحالات الاستخدام فقط.

مقارنة مع Recursive: نشر Hyra تحسينات إضافية في مهام بحث آلي متشابهة

يعد بحث Recursive بعنوان First Steps Toward Automated AI Research مرجعًا مباشرًا نسبيًا. فقد نشر نتائج في تدريب النماذج الصغيرة بميزانية ثابتة، وسرعة التدريب، وتحسين عمليات GPU. واستخدم Hyra هذه النتائج المرجعية في مقارناته المنشورة:

نرى أن Hyra أظهر قدرة على مواصلة تحسين هذه المقاييس في المهام المنشورة. لكن المقارنات بين مؤسسات مختلفة تتطلب تدقيق الكود والعتاد وأداة التقييم. اقتراحنا حسب الاستخدام: إذا كان الفريق يدرس خوارزميات التدريب أو أداء GPU، يمكن إعادة تجارب المستودعين معًا. أما إذا كان المطلوب API جاهزًا لخدمة العملاء أو الكتابة، فهذه الدرجات وحدها لا تستدعي تغيير نموذجك اليومي.

سجل Hyra · نتائج أبحاث Recursive

مقارنة مع SimpleTES: كلاهما يعتمد تقييمًا موضوعيًا، وHyra يقلل البوابات في مهمة التوجيه الكمومي المنشورة

تدرس SimpleTES كيفية توسيع دورة «حلول مرشحة، ثم تقييم آلي، ثم بحث إضافي». تغطي ورقتها 21 مهمة بحثية في 6 مجالات، وتنشر نتائج منها توجيه الدوائر الكمومية. وفي المقارنة المنشورة على ثلاثة أشكال اتصال للعتاد، خفض Hyra إجمالي CNOT الإضافي من 269,037 إلى 258,369. من هذه الزاوية، يقدم Hyra حلًا مرشحًا أفضل.

مع ذلك، لا نحول عبارة «أفضل في مهمة واحدة» إلى «النظام البحثي كله متفوق في كل شيء». تتميز SimpleTES بشرح أكثر تنظيمًا لتقييم التجارب واستراتيجيات التوسع، وهو مفيد لتعلم بناء مسار بحث وتحسين. اقتراحنا حسب الاستخدام: لتصميم منصة تجارب آلية خاصة بك، ابدأ بمنهج SimpleTES. ولرؤية تحسينات ملموسة في التوجيه الكمومي، انتقل إلى ملفات OpenQASM في Hyra.

ورقة SimpleTES الأصلية · نتائج Hyra في التوجيه الكمومي

مقارنة مع TTT-Discover: يواصل التعلم وقت حل المهمة، بينما يعرض Hyra تحسينات رياضية لاحقة

تتميز TTT-Discover بأن النموذج يواصل التعلم أثناء حل مهمة بحثية محددة، بدل الاكتفاء بتكرار التعليمات لنموذج ثابت. تعرض الورقة اكتشافات في الرياضيات وعمليات GPU والتحليل الحيوي، مع كود قابل لإعادة الإنتاج. يستشهد مستودع Hyra بالسجل السابق لثابت الارتباط الذاتي، وهو 1.502870، ويبلغ عن تحسينه إلى 1.502850. الفارق صغير، لكن قيمة التحسين الرياضي الذي يحتاج إلى حدود عددية دقيقة لا تقاس بنسبة الفرق وحدها.

لا توجد مقارنة عامة كاملة توحّد طريقة العمل وميزانية التجارب بينهما. اقتراحنا حسب الاستخدام: لدراسة كيفية استمرار تعلم النموذج في مهمة محددة، يمكن البدء بـ TTT-Discover. ولدراسة كيفية عرض النتيجة في صورة كود وأدلة عددية ومواد بحثية، يمكن الاستفادة من تنظيم نتائج Hyra.

ورقة TTT-Discover · نتائج Hyra الرياضية

مقارنة مع Google AlphaEvolve: أحدهما يركز على نتائج قابلة للفحص، والآخر لديه أمثلة تشغيل واسعة النطاق

يجمع AlphaEvolve من Google DeepMind أيضًا بين نماذج اللغة وأدوات التقييم الآلي لإيجاد خوارزميات أفضل. وقد عرضت Google تطبيقاته الفعلية في جدولة مراكز البيانات وتصميم الشرائح وتدريب النماذج، مثل استعادة نحو 0.7% من موارد الحوسبة في مراكز البيانات في المتوسط. هذا مثال من التشغيل الفعلي، وليس اختبارًا للمهمة نفسها لدى Hyra، لذلك لا نضع الرقمين في جدول واحد لفرض مقارنة تفوق مباشرة.

ما يستحق المتابعة في Hyra هو نتائجه المنشورة في الرياضيات والكم والبروتينات. وما يميز AlphaEvolve هو خبرة الانتقال من التحسين التجريبي إلى البنية التحتية العاملة. اقتراحنا حسب الاستخدام: إذا كنت تدير خدمة فعلية على الإنترنت، فابدأ بالاستفادة من التحقق في التشغيل وحساب المكاسب طويلة المدى لدى AlphaEvolve. وإذا أردت تعلم تقديم نتائج بحثية قابلة للفحص، فمجلدات Hyra المتخصصة تسهّل العثور على تجربة محددة للبدء.

Google DeepMind AlphaEvolve · تقدم AlphaEvolve في التشغيل الفعلي

أسئلة شائعة عن API الخاص بـ Hunyuan Hyra 2.0

لماذا لا أجد hyra-2.0 في قائمة نماذج API Hop؟

لأن دليل النماذج العام الحالي لا يدرج Hyra 2.0 كنموذج نصي يمكن استدعاؤه. إذا أضافت API Hop دعم hyra-2.0، فسنحدّث المعلومات فورًا.

وثائق Chat Completions الموحدة · مستودع نتائج Hyra

ما طرق الاستدعاء البرمجي المتاحة لـ HyInv وHyPLM-Flash؟

لهذين النموذجين المستقلين اللذين درّبهما Hyra 2.0 طرق استخدام محددة، لكن هذا لا يساوي استدعاء Hyra Agent API. يدعم HyInv سطر الأوامر وPython، مثلًا:

# شغّل الأمر في بيئة ثُبّت فيها HyInv؛ الملف structure.pdb هو ملف البنية الذي يقدمه المستخدم
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

يوفر HyPLM-Flash واجهة ترميز عبر Python، مثلًا:

from hyplm import HyPLMEncoder

# نزّل الأوزان وادمجها وتحقق منها أولًا وفق تعليمات المشروع
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

ننصح بنشرهما كخدمتين مستقلتين، مع تثبيت الاعتماديات المحددة في المستودع أولًا، ثم فحص المدخلات والمخرجات بعينة صغيرة. يعتمد التنفيذ المسرّع لـ HyPLM-Flash أيضًا على CUDA وTriton وبيئة GPU المناسبة. ولا ينبغي افتراض أن أي CPU أو بطاقة رسومية ستصل إلى الإنتاجية المعلنة.

تثبيت HyInv واستدعاؤه · تثبيت HyPLM-Flash واستدعاؤه

لماذا لا أحصل على النتيجة نفسها عند إعادة التجربة، وكيف أقيّم التكلفة؟

ننصح أولًا بالفصل بين تكاليف استدلال النموذج، وإعادة التدريب، ووكيل البحث الكامل. يستخدم سجل nanochat المنشور بطاقة B200 واحدة، بينما يستخدم nanoGPT Speedrun ثماني بطاقات H100. وتتطلب التجارب بيانات وتعريفات واعتماديات وإعدادات تحقق متوافقة. حتى مع الكود نفسه، قد تغير ترددات GPU وذاكرة التجميع المؤقتة والضغط والعشوائية المقاييس النهائية. كما يستثني اختبار HyInv المسرّع صراحة وقت التجميع الأول لـ Triton والتقاط CUDA Graph.

لذلك نقيّم ثلاث مجموعات من المقاييس: هل تحقق الجودة المطلوب، وما الزمن الكلي للمهمة، وما الموارد اللازمة لكل نتيجة اجتازت التحقق. في التدريب، نسجل ساعات GPU ومتوسط ثلاث مرات تشغيل على الأقل. وفي الاستدلال عبر الإنترنت، نفصل زمن الطلب الأول عن الإنتاجية المستقرة واستخدام ذاكرة GPU ومعدل الفشل. أما وكيل البحث، فتدخل في حسابه التجارب الفاشلة ووقت المراجعة البشرية أيضًا. لا يوجد حاليًا سعر موثوق يمكن التحقق منه لـ API عام لـ Hyra 2.0، لذلك لن نضع سعرًا تخمينيًا لكل توكن.

تعليمات إعادة nanochat من Hyra · تعليمات إعادة nanoGPT Speedrun