Hunyuan Hyra 2.0: automatisierte Forschung, Proteindesign, Messwerte und API-Zugang

Was ist Hunyuan Hyra 2.0?

Hyra 2.0 ist ein automatisierter Forschungsagent von Tencent Hunyuan, kein gewöhnliches Chatmodell

Ein Chatmodell beantwortet Fragen. Ein Forschungsagent bearbeitet eine überprüfbare Aufgabe so lange, bis ein Ergebnis vorliegt. Tencent nennt Hyra den Hunyuan Research Agent. Die veröffentlichten Arbeiten betreffen das Training kleiner Modelle, GPU-Operatoren, mathematische Probleme, Quantenschaltungen, Proteinmodelle und Vorhersagealgorithmen.

Ein Chatwerkzeug kann zum Beispiel erklären, wie sich ein Training beschleunigen lässt. Ein Forschungsagent soll dagegen das Trainingsskript ändern, Experimente ausführen, neue Messwerte ermitteln und überprüfbaren Code samt Protokollen hinterlassen. Entscheidend ist aus unserer Sicht daher nicht, wie natürlich Hyra Gespräche führt, sondern ob sich seine Lösungen reproduzieren lassen, bestehende Vergleichswerte übertreffen und den Rechenaufwand rechtfertigen.

Tencents öffentliches Repository Hyra-results enthält vor allem fertige Lösungen und einige Skripte zur Reproduktion. Die Forschungsplanung, Suchstrategie und zugrunde liegenden Modelle des Agenten sind dort nicht vollständig offengelegt. Hyra-Ergebnisrepository

Forschung mit Rückmeldung aus Experimenten: Code, Bewertung und Prüfung verbinden

Die veröffentlichten Ergebnisse haben etwas gemeinsam: Die Aufgaben besitzen meist ein messbares Ziel. Ein geringerer Validierungsverlust nach dem Training ist besser, eine kürzere Trainingszeit bei gleicher Genauigkeit ebenfalls, und bei Quantenschaltungen sind weniger zusätzliche Gatter erwünscht. So kann aus einer guten Idee konkreter Code, ein Ausführungsprotokoll oder ein Beweis werden, statt nur eine plausibel klingende Erklärung zu bleiben.

Wir empfehlen, dieses Vorgehen als vier überprüfbare Schritte zu verstehen: Zielgröße festlegen, Lösungsvorschläge erzeugen, diese in einer externen Umgebung bewerten und bestätigte Ergebnisse speichern. Dieses Arbeitsmuster haben wir aus den öffentlichen Ergebnissen abgeleitet. Es bedeutet nicht, dass Tencent die gesamte interne Architektur von Hyra 2.0 veröffentlicht hat.

Ein leicht verständliches Beispiel lautet: „Mache dieses bereits funktionierende Programm schneller.“ Dafür braucht es Testdaten, eine Ausführungsumgebung und klare Abnahmekriterien. Die bloße Aufforderung „Verbessere den Algorithmus“ lässt selbst ein leistungsfähiges Modell im Unklaren darüber, was als Erfolg zählt.

Hyra 2.0 hat Proteinmodelle hervorgebracht, doch diese sind nicht der Agent selbst

Zum Zeitpunkt unserer Prüfung fallen im Ergebnisrepository zwei Projekte besonders auf. HyInv ist ein Modell für inverses Proteinfalten mit rund 1,96 Millionen Parametern. Es erzeugt Aminosäuresequenzen anhand des Proteinrückgrats. HyPLM-Flash ist ein Proteinsprachmodell mit rund 650 Millionen Parametern, das Proteinsequenzen darstellt und für damit verbundene Vorhersagen eingesetzt wird. Beide READMEs geben an, dass die Modelle von Hyra 2.0 trainiert wurden.

Wichtig ist die Unterscheidung: HyInv und HyPLM-Flash sind eigenständige Modelle, deren Code und Gewichte verfügbar sind und die sich nach Anleitung ausführen lassen. Sie sind kein allgemeines Dialogmodell mit dem Namen hyra-2.0. Das eine entwirft Sequenzen zu Strukturen, das andere codiert Sequenzen für weitere Analysen. Für Forschende ist das greifbarer als die pauschale Aussage „KI kann forschen“, denn es gibt eine konkrete Aufgabe zum Nachvollziehen.

Projektunterlagen: HyInv-README · HyPLM-Flash-README

Die wichtigsten Fähigkeiten und Stärken von Hunyuan Hyra 2.0

Automatisierte KI-Forschung: Trainingsrezepte kleiner Modelle verbessern statt nur Tipps geben

Eine wesentliche Stärke von Hyra sehen wir in der automatischen Suche nach besseren Trainingsverfahren. Im Projekt nanochat_autoresearch stehen eine einsehbare train.py, Startskripte und vollständige Trainingsprotokolle bereit. Die veröffentlichte Konfiguration erreicht auf einer einzelnen NVIDIA B200 bei einem festen Trainingsbudget von etwa 300 Sekunden 0,901543 Validierungs-BPB. BPB ist eine Verlustgröße für die Textvorhersage; bei dieser Aufgabe ist ein niedrigerer Wert besser.

Für Entwickler bedeutet das: Das Ergebnis ist mehr als ein unverbindlicher Erfahrungsbericht zum Abstimmen von Parametern. Es umfasst konkrete Änderungen an Aufmerksamkeitsfenstern, Optimierereinstellungen, zusätzlichen n-Gramm-Merkmalen und dem Trainingsablauf. Wir empfehlen, zunächst diese reproduzierbaren Änderungen zu verstehen und dann ihre Eignung für das eigene Modell zu prüfen. Eine fremde Konfiguration sollte man nicht ungeprüft auf völlig andere Datenmengen übertragen. nanochat-Experiment

GPU-Operatoren optimieren: Geschwindigkeitsgewinne in ausführbarem Code nachweisen

Bei GPU-Optimierungen droht ein häufiger Irrtum: Anspruchsvoller aussehender Code kann langsamer sein oder bei manchen Eingaben sogar falsch rechnen. Hyra stellt in SOL-ExecBench ausgewählte tatsächliche Einreichungen für Attention, MoE-Verteilung, Matrixmultiplikation und Inferenzoperatoren bereit. Das öffentliche Verzeichnis enthält 10 Beispiele mit bestandener Korrektheitsprüfung, jeweils mit Einreichungsnummer, Laufzeit und Bewertung.

Besonders hilfreich finden wir den dokumentierten Korrektheitsstatus. Ein Flash/GQA-Attention-Beispiel nennt etwa 0,177612 Millisekunden Latenz. Dieser Wert gilt jedoch nur für die jeweilige Aufgabe und Hardwareprüfung. Er bedeutet nicht, dass die Attention-Berechnung jedes Modells genauso schnell läuft. Teams mit Inferenzdiensten sollten Eingabeformen, Genauigkeit, Hardware und Compilerversion festlegen, bevor sie Latenz und Übereinstimmung der Ausgaben vergleichen.

Ergebnisse zu GPU-Operatoren

Mathematische Entdeckungen: von möglichen Antworten zu überprüfbaren Beweisen

Auch die Mathematik ist ein interessantes Einsatzgebiet. Das Hyra-Repository dokumentiert Ergebnisse aus Geometrie, Kombinatorik und Operatorungleichungen. Beispielsweise wurde die untere Volumenschranke für dreidimensionale konvexe Körper konstanter Breite von etwa 0,380799 auf 0,411040 angehoben. Ergänzungen vom 2. November 2026 berichten außerdem über ein Ergebnis zu Pettys Vermutung über äquidistante Punkte in fünf Dimensionen sowie ein Gegenbeispiel zu Yaus Vermutung über Kreiswirkungen im nicht einfach zusammenhängenden Fall.

Daraus sollte nicht die Behauptung werden, KI habe sämtliche mathematischen Vermutungen gelöst. Wir achten vielmehr darauf, welchen Bereich ein Beweis abdeckt, welche Teile formal geprüft wurden und ob eine Begutachtung durch mathematische Fachkollegen noch aussteht. Für ernsthafte Forschung sollten der originale Satz, alle Voraussetzungen, Beweisdateien und unabhängige Prüfprotokolle vorliegen, bevor man Ergebnisse öffentlich zitiert.

Verzeichnis mathematischer Ergebnisse

Proteindesign: HyInv erzeugt mögliche Aminosäuresequenzen aus Strukturen

HyInv löst eine klar umrissene Aufgabe: Forschende haben die Rückgratstruktur eines Proteins und suchen Sequenzen, die dazu passen könnten. Es bietet eine Kommandozeilen- und eine Python-Schnittstelle. Man kann PDB-Strukturdateien einlesen, Ketten auswählen, bestimmte Positionen festlegen und mit Zufallsstartwerten mehrere Kandidaten erzeugen. Die veröffentlichten Gewichte sind etwa 7,8 MB groß; die Referenzimplementierung läuft auf CPU oder GPU.

Für Biotechnologieteams liegt der Nutzen darin, die wiederholte Erzeugung von Sequenzkandidaten zu automatisieren. Eine erzeugte Sequenz ist aber noch kein wirksames Medikament. Struktur, Stabilität und experimentelle Eignung müssen weiterhin geprüft werden. Unser Vorschlag: zunächst Format und Ausgabe an wenigen öffentlichen Strukturen prüfen, danach mit dem eigenen Verfahren zur Strukturbewertung auswählen und erst dann ins Experiment gehen.

HyInv-Projekt und Ausführungsanleitung

Proteinsequenzen analysieren: HyPLM-Flash eignet sich für Stapelverarbeitung und weitere Vorhersagen

HyPLM-Flash hat eine andere Aufgabe als HyInv. Es erhält Proteinsequenzen und gibt Vektordarstellungen einzelner Aminosäurereste oder ganzer Sequenzen sowie Logits für die Bewertung von Mutationen aus. Tencents Implementierung enthält eine INT8-Inferenzengine und erreicht laut Veröffentlichung auf einer einzelnen H20 etwa 130.000 Aminosäurereste pro Sekunde. Dieser Wert stammt aus der angegebenen Testumgebung und ist kein Geschwindigkeitsversprechen für jede Grafikkarte.

Wir würden es als Werkzeug zur Merkmalsextraktion aus Sequenzen in einem Forschungssystem einsetzen: Proteine stapelweise codieren und die Vektoren anschließend der eigenen Klassifizierung, Clusteranalyse oder Eigenschaftsvorhersage übergeben. Für allgemeine Entwickler ist es hilfreicher zu verstehen, dass Aminosäuresequenzen hineingehen und Vektoren herauskommen, als sich auf 650 Millionen Parameter zu konzentrieren. Forschende sollten Genauigkeit, Stapelgröße und Kaltstartzeit vergleichen, um zwischen INT8 und BF16 zu wählen.

HyPLM-Flash-Projekt

Benchmarks und Leistung von Hunyuan Hyra 2.0

Hier verwenden wir Tencents öffentliche Experimentdaten zu einzelnen Aufgaben. Die Zahlen bilden keine einheitliche Rangliste eines Hyra-2.0-Chatmodells. Manche beschreiben Entdeckungen des Forschungssystems, andere bewerten eigenständige Modelle, die Hyra 2.0 trainiert hat. Ob sich die Ergebnisse auf den eigenen Einsatz übertragen lassen, hängt von Testumgebung und Vergleichsbasis ab.

Qualität des Sprachmodelltrainings: nanochats Validierungs-BPB sinkt von 0,9109 auf 0,9015

Tencent vergleicht das Ergebnis mit einem ähnlichen, von Recursive veröffentlichten Rekord: zuvor 0,9109 BPB, bei Hyra etwa 0,9015 BPB. Der absolute Unterschied beträgt rund 0,0094. Der genaue Hyra-Wert ist 0,901543, erzielt mit 1× B200, etwa 300,1 Sekunden Training und insgesamt 348,4 Sekunden einschließlich Vorbereitung und Bewertung. „Verbesserung“ bedeutet hier einen geringeren Validierungsverlust, nicht eine entsprechend höhere Genauigkeit bei allgemeinen Wissensfragen.

Unser Rat: Wer das Training kleiner Modelle optimiert, kann mit einer Reproduktion dieses Projekts beginnen und Grafikspeicher, Datenvorbereitung und Validierung prüfen. Beim kommerziellen Training bleiben die Kennzahlen des eigenen Datensatzes und die Gesamtkosten entscheidend. Die Gewinne eines Fünf-Minuten-Benchmarks gelten nicht automatisch für jede Modellgröße.

Hyra-nanochat-Ergebnis · Recursive-Vergleichsbasis

Trainingsgeschwindigkeit: nanoGPT Speedrun verkürzt sich von etwa 77,5 auf 76,435 Sekunden

Im Experiment nanoGPT Speedrun verwendet Hyra für große Matrixoperationen FP8 und passt den Trainingsablauf an. Das Repository dokumentiert drei Läufe mit 76,431, 76,467 und 76,408 Sekunden, im Mittel 76,435 Sekunden, bei einem mittleren Validierungsverlust von etwa 3,28007. Gegenüber der genannten Basis von rund 77,5 Sekunden sind das etwa 1,1 Sekunden oder 1,4 % weniger.

Die Bedingungen sind eng festgelegt: 8× H100, passende Versionen von CUDA, PyTorch und Triton sowie der zugehörige Datensatz. Der mittlere Verlust wird auf 3,280 gerundet. Die Anzeige 3,280 bedeutet nicht, dass jeder einzelne Lauf strikt unter 3,280 lag.

Unser Rat: Diese FP8-Optimierung ist vor allem dann ein sinnvoller Kandidat, wenn die eigene Trainingsumgebung ähnlich ist. Wir würden mindestens drei Läufe reproduzieren und Mittelwert, Schwankungen und Endverlust vergleichen. Bei bereits abweichenden Operatorimplementierungen sollte zuerst ein kleiner A/B-Test erfolgen.

Die drei Hyra-nanoGPT-Läufe

GPU-Operatorbewertung: SOL-ExecBench steigt von 0,754 auf 0,771

Im öffentlichen Vergleich von SOL-ExecBench beträgt Recursives zusammengefasster SOL-Wert 0,754, während Hyra 0,771 meldet, also 0,017 mehr. SOL beschreibt, wie nahe eine Implementierung an die vom Benchmark definierte Leistungsgrenze kommt. Es bedeutet nicht 77,1 % allgemeine Codekorrektheit. Tencent veröffentlicht zusätzlich 10 Beispiele mit Korrektheitsprüfungen, die jedoch nicht den vollständigen Benchmarkdatensatz ersetzen.

Unser Rat: Teams für Inferenzgateways oder GPU-Dienste sollten zuerst die Operatoren testen, die im eigenen Betrieb tatsächlich Engpässe verursachen. Dazu gehören P50/P95-Latenz, Durchsatz, Grafikspeicher und numerische Abweichungen. Ein Spitzenwert in einem einzelnen Mikrobenchmark senkt nicht zwangsläufig die Gesamtkosten des Dienstes.

Hyra SOL-ExecBench · Veröffentlichte Recursive-Ergebnisse

Routing von Quantenschaltungen: zusätzliche CNOT-Gatter sinken von 269.037 auf 258.369

Auch im Quantencomputing gibt es messbare Optimierungsaufgaben. Sind zwei Qubits auf der Hardware nicht benachbart, muss der Routingalgorithmus zusätzliche Operationen einfügen. Tencent dokumentiert 61 überprüfte Schaltungen und vergleicht Q20-, Willow-artige und Heron-artige Topologien mit der von SimpleTES angeführten Basis:

Nach den Bedingungen dieser Tabelle sind das 10.668 CNOT-Gatter weniger, also etwa 4,0 %. Gemessen wird der Zusatzaufwand für die Schaltungsabbildung, nicht eine Beschleunigung des gesamten Quantencomputers um 4 %.

Unser Rat: Beim Kompilieren von Quantenschaltungen sollten zuerst das erzeugte OpenQASM und die Verbindungsbedingungen geprüft werden. Für die Auswahl eines allgemeinen KI-Chatwerkzeugs sagt dieses Ergebnis nichts direkt über die Qualität alltäglicher Antworten aus.

Quantenschaltungsprojekt · SimpleTES-Paper

Proteininferenz: HyPLM-Flash verarbeitet rund 130.000 Reste pro Sekunde, HyInv entwirft ganze Stapel in Millisekunden

Diese Werte betreffen eigenständige Modelle aus Hyra 2.0, nicht die Gesamtgeschwindigkeit des Agenten. Tencent nennt für HyPLM-Flash mit INT8 auf einer einzelnen H20 etwa 130.000 Aminosäurereste pro Sekunde. Im begleitenden Vergleich über 32 Aufgaben und 28 öffentliche Checkpoints wird für ProteinGym ohne aufgabenspezifisches Training eine Spearman-Korrelation von 0,409 angegeben, statistisch nahe an mehreren ähnlich großen Proteinencodern. Das ist ein Korrelationsmaß, keine Klassifikationsgenauigkeit.

HyInv benötigt laut Bericht auf einer H20 für einen Stapel von 128 Proteinentwürfen mit etwa 148 Positionen rund 25 Millisekunden im optimierten BF16-Pfad und 999 Millisekunden in der Referenzimplementierung. Diese Messung schließt die erste Kompilierung und CUDA-Graph-Erfassung aus. Außerdem gibt es numerische Unterschiede zum FP32-Referenzpfad. Eine Umstellung sollte daher nicht allein nach Geschwindigkeit entschieden werden.

Unser Rat: Biologische Forschungsteams sollten Qualität, Stapeldurchsatz und Reproduzierbarkeit getrennt bewerten. Wer meist nur eine kurze Sequenz verarbeitet, sollte zunächst die Latenz der ersten Anfrage messen. Reste pro Sekunde sind vor allem für große Offline-Stapel relevant. Sequenzbewertungen ersetzen außerdem keine Überprüfung im Labor.

HyPLM-Flash · HyInv

Hunyuan Hyra 2.0 im Vergleich mit Recursive, SimpleTES, TTT-Discover und AlphaEvolve

Hier geht es um Systeme oder Frameworks zur Forschungsautomatisierung, nicht um vier Chatmodelle, die sich in derselben Chatschnittstelle einfach austauschen lassen. Wenn möglich, verwenden wir Zahlen aus gemeinsamen Aufgaben. Ohne einheitlichen Test vergleichen wir lediglich Arbeitsweise und passende Einsatzgebiete.

Recursive: Hyra veröffentlicht weitere Verbesserungen bei ähnlichen KI-Forschungsaufgaben

Recursives First Steps Toward Automated AI Research bietet einen recht direkten Bezugspunkt. Die Arbeit veröffentlicht Ergebnisse zu kleinen Modellen mit festem Trainingsbudget, Trainingsgeschwindigkeit und GPU-Operatoroptimierung. Hyra verwendet diese Werte in seinem öffentlichen Verzeichnis zum Vergleich:

Unserer Einschätzung nach zeigt Hyra bei diesen öffentlichen Aufgaben weitere Verbesserungen. Bei Experimenten verschiedener Organisationen müssen Code, Hardware und Bewertungswerkzeuge dennoch sorgfältig abgeglichen werden. Unsere Einsatzempfehlung: Teams, die Trainingsalgorithmen oder GPU-Leistung untersuchen, können beide Repositories gemeinsam reproduzieren. Wer nur eine fertige API für Kundenservice oder Texte braucht, muss wegen dieser Werte nicht das alltägliche Modell wechseln.

Hyra-Ergebnisse · Recursive-Forschungsergebnisse

SimpleTES: beide nutzen objektive Bewertungen, Hyra benötigt beim öffentlichen Quantenrouting weniger Gatter

SimpleTES untersucht, wie sich der Kreislauf aus Lösungsvorschlägen, automatischer Bewertung und weiterer Suche vergrößern lässt. Das Paper behandelt 21 Forschungsaufgaben aus 6 Bereichen und veröffentlicht unter anderem Ergebnisse zum Routing von Quantenschaltungen. Hyra senkt im öffentlichen Vergleich für drei Hardwaretopologien die zusätzlichen CNOT-Gatter von 269.037 auf 258.369. Für diese Aufgabe liegt damit eine verbesserte Lösung vor.

Ein besseres Ergebnis bei einer Aufgabe bedeutet aber keine Überlegenheit des gesamten Forschungssystems. SimpleTES erklärt die Versuchsauswertung und Skalierungsstrategien besonders systematisch und eignet sich deshalb zum Lernen beim Aufbau eigener Optimierungsabläufe. Unsere Einsatzempfehlung: Für eine eigene Plattform für automatische Experimente zuerst die SimpleTES-Methode lesen. Für konkrete Verbesserungen des Quantenroutings anschließend Hyras OpenQASM-Dateien untersuchen.

Originalpaper zu SimpleTES · Hyra-Ergebnisse zum Quantenrouting

TTT-Discover: Weiterlernen während der Bearbeitung, daneben Hyras spätere mathematische Verbesserungen

TTT-Discover zeichnet sich dadurch aus, dass das Modell beim Lösen einer bestimmten Forschungsaufgabe weiterlernt, statt ein unverändertes Modell nur wiederholt anzusprechen. Das Paper berichtet Entdeckungen in Mathematik, GPU-Operatoren und biologischer Analyse und stellt reproduzierbaren Code bereit. Hyra verweist auf den früheren Rekord für eine Autokorrelationskonstante von 1,502870 und berichtet eine Verbesserung auf 1,502850. Der Unterschied ist klein, doch bei mathematischer Optimierung mit präzisen numerischen Schranken lässt sich der Forschungswert nicht allein an Prozenten messen.

Ein vollständiger öffentlicher Vergleich beider Methoden und ihrer Versuchsbudgets unter einheitlichen Bedingungen liegt nicht vor. Unsere Einsatzempfehlung: Für das Weiterlernen eines Modells an konkreten Aufgaben zuerst TTT-Discover ansehen. Für die nachvollziehbare Dokumentation von Forschung mit Code, Zahlen und Papers kann Hyras Ergebnisablage als Beispiel dienen.

TTT-Discover-Paper · Hyras mathematische Ergebnisse

Google AlphaEvolve: überprüfbare Forschungsergebnisse und Erfahrungen aus großem Produktivbetrieb

Google DeepMinds AlphaEvolve kombiniert ebenfalls Sprachmodelle mit automatischen Prüfern, um bessere Algorithmen zu finden. Google beschreibt reale Einsätze bei Rechenzentrumsplanung, Chipentwurf und Modelltraining. Beispielsweise werden im Mittel rund 0,7 % der Rechenressourcen in Rechenzentren zurückgewonnen. Das ist ein Produktionsbeispiel, kein Hyra-Benchmark derselben Aufgabe. Deshalb würden wir die Zahlen nicht in einer gemeinsamen Rangliste gegeneinander stellen.

Bei Hyra sind die öffentlichen Ergebnisse aus Mathematik, Quantenforschung und Proteinforschung interessant. Bei AlphaEvolve sind es die Erfahrungen beim Übergang von experimenteller Optimierung in produktive Infrastruktur. Unsere Einsatzempfehlung: Wer laufende Dienste betreut, kann besonders von AlphaEvolves Produktionsprüfungen und langfristiger Nutzenrechnung lernen. Wer überprüfbare Forschungsergebnisse dokumentieren möchte, findet in Hyras Unterverzeichnissen leichter einen einzelnen Einstieg zur Reproduktion.

Google DeepMind AlphaEvolve · AlphaEvolve im Produktivbetrieb

Häufige Fragen zur Hunyuan-Hyra-2.0-API

Warum finde ich hyra-2.0 nicht in der Modellliste von API Hop?

Weil der aktuelle öffentliche Modellkatalog Hyra 2.0 nicht als aufrufbares Textmodell führt. Sobald API Hop hyra-2.0 unterstützt, werden wir zeitnah darüber informieren.

Dokumentation zur einheitlichen Chat-Completions-Schnittstelle · Hyra-Ergebnisrepository

Welche Programmierschnittstellen bieten HyInv und HyPLM-Flash?

Für diese beiden von Hyra 2.0 trainierten eigenständigen Modelle gibt es konkrete Zugänge. Ihre Nutzung ist aber kein Aufruf einer Hyra-Agent-API. HyInv unterstützt Kommandozeile und Python, zum Beispiel:

# In einer Umgebung mit installiertem HyInv ausführen; structure.pdb ist Ihre Strukturdatei
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash bietet eine Python-Schnittstelle zum Codieren, zum Beispiel:

from hyplm import HyPLMEncoder

# Zuerst die Gewichte nach Projektanleitung herunterladen, zusammenführen und prüfen
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

Wir empfehlen, beide als eigenständige Dienste bereitzustellen: zunächst die im Repository genannten Abhängigkeiten installieren und anschließend Ein- und Ausgaben mit kleinen Beispielen prüfen. Die beschleunigte HyPLM-Flash-Implementierung benötigt außerdem CUDA, Triton und eine passende GPU-Umgebung. Der veröffentlichte Durchsatz ist nicht mit jeder CPU oder Grafikkarte erreichbar.

HyInv installieren und aufrufen · HyPLM-Flash installieren und aufrufen

Warum weichen reproduzierte Ergebnisse ab, und wie bewerte ich die Kosten?

Zunächst sollten die Kosten für Modellinferenz, die Wiederholung des Trainings und einen vollständigen Forschungsagenten getrennt werden. Das öffentliche nanochat-Ergebnis nutzt eine B200, nanoGPT Speedrun acht H100. Beide benötigen passende Daten, Treiber, Abhängigkeiten und Validierungseinstellungen. Selbst bei identischem Code können GPU-Taktraten, Kompilierungscaches, Auslastung und Zufallseinflüsse die Werte verändern. Hyras beschleunigte HyInv-Tests schließen zudem ausdrücklich die erste Triton-Kompilierung und die CUDA-Graph-Erfassung aus.

Wir würden deshalb drei Bereiche bewerten: Erfüllung der Qualitätsziele, gesamte Bearbeitungszeit und Ressourcen je überprüftem Ergebnis. Beim Training sind GPU-Stunden und Mittelwerte aus mindestens drei Läufen hilfreich. Bei Online-Inferenz sollten erste Antwortzeit, stabiler Durchsatz, Grafikspeicher und Fehlerquote getrennt erfasst werden. Bei Forschungsagenten kommen fehlgeschlagene Experimente und menschliche Prüfzeit hinzu. Für eine allgemeine Hyra-2.0-API gibt es derzeit keinen überprüfbaren Preis, daher nennen wir keinen erfundenen Tokenpreis.

Anleitung zur Reproduktion von Hyra nanochat · Anleitung zur Reproduktion von nanoGPT Speedrun