Hunyuan Hyra 2.0: investigación automática, diseño de proteínas, pruebas y acceso a la API

¿Qué es Hunyuan Hyra 2.0?

Hyra 2.0 es el agente de investigación automática de Tencent Hunyuan, no un modelo de chat corriente

Un modelo de chat responde preguntas. Un agente de investigación trabaja en un problema verificable hasta obtener un resultado. Tencent llama a Hyra Hunyuan Research Agent. Sus trabajos públicos abarcan el entrenamiento de modelos pequeños, operadores de GPU, problemas matemáticos, circuitos cuánticos, modelos de proteínas y algoritmos de predicción.

Por ejemplo, una herramienta de chat puede explicar cómo acelerar un entrenamiento. Un agente de investigación busca modificar el script, ejecutar experimentos, obtener nuevas mediciones y dejar código y registros que se puedan revisar. Para entender Hyra, creemos que importa menos la naturalidad de la conversación que saber si sus soluciones se pueden reproducir, superan los resultados de referencia y justifican los recursos de cálculo empleados.

El repositorio público Hyra-results de Tencent guarda principalmente soluciones finales y algunos scripts para reproducirlas. No revela por completo la planificación de la investigación, la estrategia de búsqueda ni los modelos que utiliza el agente. Repositorio de resultados de Hyra

Aprender de los experimentos: conectar código, evaluación y verificación

Los resultados públicos de Hyra tienen algo en común: los problemas suelen incluir un objetivo medible. Es mejor reducir la pérdida de validación tras entrenar, tardar menos con la misma precisión o añadir menos puertas a un circuito cuántico. Así, una buena idea puede convertirse en código, un registro de ejecución o una demostración, en lugar de quedarse en una explicación que suena razonable.

Proponemos entender este método como cuatro pasos comprobables: definir la métrica objetivo, generar soluciones candidatas, evaluarlas en un entorno externo y guardar los resultados verificados. Es una forma de trabajo que deducimos de los materiales públicos. No significa que Tencent haya publicado toda la arquitectura interna de Hyra 2.0.

Un ejemplo sencillo sería: «Ayúdanos a acelerar este programa que ya funciona». Para ello hacen falta datos de prueba, un entorno de ejecución y criterios claros de aceptación. Con una instrucción tan vaga como «Mejora el algoritmo», incluso un modelo potente tendrá dificultades para saber qué cuenta como éxito.

Hyra 2.0 ha producido modelos de proteínas, pero esos modelos no son el agente

En el momento de esta revisión, destacan dos proyectos en el repositorio de Tencent. HyInv es un modelo de plegamiento inverso de proteínas con unos 1,96 millones de parámetros: genera secuencias de aminoácidos a partir de la estructura del esqueleto proteico. HyPLM-Flash es un modelo de lenguaje de proteínas con unos 650 millones de parámetros, destinado a representar secuencias y realizar predicciones relacionadas. Ambos README indican que fueron entrenados por Hyra 2.0.

Conviene distinguirlos bien: HyInv y HyPLM-Flash son modelos independientes cuyo código y pesos se pueden obtener y ejecutar siguiendo sus instrucciones. No son un modelo de conversación general llamado hyra-2.0. El primero diseña secuencias a partir de estructuras; el segundo codifica secuencias para análisis posteriores. Para los investigadores, esto resulta más concreto que afirmar que «la IA puede investigar», porque hay una tarea específica por la que empezar a reproducir resultados.

Información de los proyectos: README de HyInv · README de HyPLM-Flash

Funciones principales y puntos fuertes de Hunyuan Hyra 2.0

Investigación automática en IA: mejorar las recetas de entrenamiento, no limitarse a dar consejos

Creemos que uno de los principales usos de Hyra es buscar automáticamente mejores configuraciones de entrenamiento. El proyecto nanochat_autoresearch publica un archivo train.py que se puede revisar, scripts de ejecución y registros completos. La configuración publicada alcanza 0,901543 BPB de validación en una sola NVIDIA B200, con un presupuesto fijo de unos 300 segundos de entrenamiento. BPB es una medida de pérdida en la predicción de texto; en esta tarea, cuanto menor, mejor.

Para los desarrolladores, esto significa que el resultado no es un simple relato sobre ajustes de parámetros. Incluye cambios concretos en las ventanas de atención, el optimizador, características n-gram adicionales y la planificación del entrenamiento. Recomendamos entender primero esos cambios reproducibles y después decidir si encajan con el modelo propio, en lugar de copiar una configuración a una escala de datos muy distinta. Experimento nanochat

Optimización de operadores de GPU: demostrar la mejora con código ejecutable

En la optimización de GPU hay una trampa frecuente: un código que parece más avanzado puede ser más lento o incluso calcular mal algunas entradas. Hyra ofrece en SOL-ExecBench parte de sus soluciones realmente presentadas, con operaciones de atención, distribución MoE, multiplicación de matrices e inferencia. El directorio público incluye 10 ejemplos que superaron las comprobaciones de corrección, cada uno con identificador, latencia y puntuación.

Valoramos especialmente que se conserve el estado de esas comprobaciones. Un ejemplo de Flash/GQA attention registra 0,177612 milisegundos de latencia, pero esa cifra corresponde a una tarea y un hardware concretos. No implica que la atención de cualquier modelo vaya a ejecutarse a esa velocidad. Para los equipos de servicios de inferencia, recomendamos fijar las dimensiones de entrada, la precisión, el hardware y la versión del compilador antes de comparar latencia y coherencia de las salidas.

Resultados de operadores de GPU

Descubrimientos matemáticos: de respuestas candidatas a demostraciones verificables

Las matemáticas son otro campo interesante para los agentes de investigación. El repositorio de Hyra recoge resultados de geometría, combinatoria y desigualdades de operadores. Por ejemplo, la cota inferior del volumen de los cuerpos convexos tridimensionales de anchura constante pasa de unos 0,380799 a 0,411040. Las notas añadidas el 2 de noviembre de 2026 también comunican un resultado sobre la conjetura de Petty de puntos equidistantes en cinco dimensiones y un contraejemplo a la conjetura de Yau sobre acciones del círculo en el caso no simplemente conexo.

Estos avances no deben convertirse en la afirmación de que «la IA ya ha resuelto todas las conjeturas matemáticas». Nos interesan el alcance de cada demostración, las partes realmente verificadas de forma formal y la posible necesidad de revisión por otros matemáticos. En un trabajo riguroso, conviene conservar el enunciado original, todas las hipótesis, los archivos de demostración y los registros de comprobación independiente antes de citar el resultado públicamente.

Directorio de resultados matemáticos

Diseño de proteínas: HyInv convierte estructuras en secuencias de aminoácidos candidatas

HyInv se centra en una tarea muy concreta: el investigador tiene la estructura del esqueleto de una proteína y quiere diseñar secuencias que puedan encajar en ella. Ofrece interfaces de línea de comandos y Python. Permite leer archivos de estructura PDB, seleccionar cadenas, fijar posiciones y generar varios candidatos con semillas aleatorias. Los pesos públicos ocupan unos 7,8 MB, y la implementación de referencia funciona en CPU o GPU.

Para los equipos de biotecnología, la ventaja consiste en automatizar la generación repetida de secuencias candidatas. Pero generar una secuencia no equivale a descubrir un medicamento eficaz. Todavía hay que validar su estructura, estabilidad y comportamiento experimental. Recomendamos comprobar primero los formatos y resultados con unas pocas estructuras públicas, filtrar después con el proceso de evaluación estructural del equipo y pasar finalmente a los experimentos.

Proyecto HyInv e instrucciones de ejecución

Análisis de secuencias de proteínas: HyPLM-Flash encaja en la codificación por lotes y las predicciones posteriores

HyPLM-Flash tiene una función distinta de HyInv. Recibe secuencias de proteínas y devuelve representaciones vectoriales de cada residuo o de la secuencia completa, además de logits para puntuar mutaciones. La implementación de Tencent incluye un motor de inferencia INT8 y comunica un rendimiento de unos 130 mil residuos por segundo en una sola H20. El dato procede del entorno oficial indicado, no es una promesa de velocidad para cualquier tarjeta gráfica.

Resulta más útil verlo como un extractor de características de secuencias dentro de un sistema de investigación. Por ejemplo, se pueden codificar proteínas por lotes y pasar los vectores a programas propios de clasificación, agrupación o predicción de propiedades. Para un desarrollador general, entender que entran secuencias de aminoácidos y salen vectores ayuda más que centrarse en los 650 millones de parámetros. A los investigadores les recomendamos comparar precisión, capacidad por lote y arranque en frío para elegir entre INT8 y BF16.

Proyecto HyPLM-Flash

Pruebas de rendimiento de Hunyuan Hyra 2.0

En esta sección utilizamos datos experimentales de tareas concretas publicados por Tencent. No forman una clasificación uniforme de un modelo de chat Hyra 2.0. Algunos describen hallazgos del sistema de investigación; otros evalúan modelos independientes entrenados por Hyra 2.0. Que esos resultados se puedan trasladar a tu trabajo depende del entorno de prueba y de la referencia empleada.

Calidad del entrenamiento lingüístico: el BPB de validación de nanochat baja de 0,9109 a 0,9015

Tencent compara su resultado con un registro similar publicado por Recursive: el anterior era 0,9109 BPB, mientras que Hyra alcanza unos 0,9015 BPB, una diferencia absoluta de aproximadamente 0,0094. El valor exacto de Hyra es 0,901543, con 1× B200, unos 300,1 segundos de entrenamiento y 348,4 segundos en total, incluyendo preparación y evaluación. La mejora significa una menor pérdida de validación, no un aumento equivalente en la precisión al responder preguntas generales.

Nuestro consejo: Si tu equipo optimiza el entrenamiento de modelos pequeños, puede empezar por reproducir el proyecto y comprobar memoria GPU, preparación de datos y método de validación. Para entrenamiento comercial siguen importando las métricas del conjunto de datos propio y el coste final. No generalices las ventajas de una prueba de cinco minutos a todos los tamaños de modelo.

Registro Hyra nanochat · Referencia de Recursive

Velocidad de entrenamiento: nanoGPT Speedrun pasa de unos 77,5 a 76,435 segundos

En nanoGPT Speedrun, el script público de Hyra usa FP8 en grandes operaciones matriciales y ajusta el plan de entrenamiento. El repositorio conserva tres ejecuciones: 76,431, 76,467 y 76,408 segundos, con una media de 76,435 segundos y una pérdida media de validación de unos 3,28007. Frente a la referencia citada de aproximadamente 77,5 segundos, el ahorro es de unos 1,1 segundos, es decir, 1,4 %.

El resultado depende de condiciones estrictas: 8× H100, las versiones correspondientes de CUDA, PyTorch y Triton, y el conjunto de datos indicado. La pérdida media se redondea a 3,280. Que aparezca 3,280 no significa que todas las ejecuciones quedaran estrictamente por debajo de 3,280.

Nuestro consejo: Considera esta optimización FP8 como candidata solo si tu entorno de entrenamiento es parecido. Reproduciríamos al menos tres ejecuciones para comparar medias, variación y pérdida final. Si tu sistema ya utiliza otros operadores, empieza con una pequeña prueba A/B.

Las tres pruebas Hyra nanoGPT

Puntuación de operadores de GPU: SOL-ExecBench sube de 0,754 a 0,771

En la comparación pública de SOL-ExecBench, la puntuación SOL global de referencia de Recursive es 0,754, y Hyra comunica 0,771, una mejora de 0,017. SOL mide cuánto se acerca una implementación al límite de rendimiento definido por la prueba. No significa un 77,1 % de corrección general del código. Tencent también publica 10 ejemplos con comprobaciones de corrección, pero esos ejemplos no sustituyen al conjunto completo de la prueba.

Nuestro consejo: Para pasarelas de inferencia o servicios de GPU, prueba primero los operadores que realmente son cuellos de botella en tu trabajo. Registra latencia P50/P95, rendimiento, memoria GPU y error numérico. Buscar la máxima puntuación en una sola microprueba puede no reducir el coste total del servicio.

Hyra SOL-ExecBench · Resultados publicados por Recursive

Enrutamiento de circuitos cuánticos: las CNOT adicionales bajan de 269 037 a 258 369

La computación cuántica también tiene tareas de optimización medibles. Cuando dos cúbits no son vecinos en el dispositivo físico, el algoritmo de enrutamiento debe añadir operaciones. Tencent documenta 61 circuitos verificados y compara topologías Q20, de tipo Willow y de tipo Heron con la referencia citada por SimpleTES:

Con los criterios de esta tabla, son 10 668 CNOT menos, una reducción de aproximadamente 4,0 %. Esto mide la sobrecarga del mapeo del circuito, no un aumento del 4 % en la velocidad de todo el ordenador cuántico.

Nuestro consejo: Si compilas circuitos cuánticos, revisa primero el OpenQASM generado y las restricciones de conectividad. Si solo estás eligiendo una herramienta de chat general, este resultado no se relaciona directamente con la calidad de sus respuestas cotidianas.

Proyecto de circuitos cuánticos · Artículo de SimpleTES

Inferencia de proteínas: HyPLM-Flash ronda los 130 mil residuos por segundo y HyInv permite diseños por lotes en milisegundos

Estas cifras corresponden a modelos independientes producidos por Hyra 2.0, no a la velocidad completa del agente. Tencent comunica unos 130 mil residuos por segundo para HyPLM-Flash con INT8 en una sola H20. En la comparación asociada de 32 tareas y 28 puntos de control públicos, informa de una correlación de Spearman sin ejemplos previos en ProteinGym de 0,409, estadísticamente cercana a la de varios codificadores de proteínas de tamaño similar. La métrica expresa correlación, no precisión de clasificación.

Para HyInv, el proyecto comunica unos 25 milisegundos con la ruta BF16 optimizada, frente a 999 milisegundos de la implementación de referencia, al generar en una H20 un lote de 128 diseños de proteínas de longitud aproximada 148. La medición excluye la compilación inicial y la captura de CUDA Graph. Además, la ruta optimizada presenta diferencias numéricas frente a la referencia FP32, por lo que la velocidad no basta para decidir un cambio.

Nuestro consejo: Los equipos de investigación biológica deberían evaluar por separado calidad, rendimiento por lotes y reproducibilidad. Si normalmente procesas una sola secuencia corta, mide primero la latencia de la primera solicitud. Los residuos por segundo importan más en grandes lotes sin conexión. Las puntuaciones de secuencias tampoco sustituyen a la validación experimental en laboratorio.

HyPLM-Flash · HyInv

Hunyuan Hyra 2.0 frente a Recursive, SimpleTES, TTT-Discover y AlphaEvolve

Aquí comparamos sistemas de automatización de la investigación o marcos de trabajo científicos, no cuatro modelos de chat intercambiables en una misma interfaz. Usamos cifras de tareas compartidas siempre que es posible. Cuando no hay una prueba común, comparamos únicamente métodos de trabajo y usos adecuados.

Recursive: Hyra publica mejoras adicionales en tareas similares de investigación automática en IA

First Steps Toward Automated AI Research, de Recursive, es una referencia bastante directa. Publica resultados de entrenamiento de modelos pequeños con presupuesto fijo, velocidad de entrenamiento y optimización de operadores de GPU. Hyra compara con esos valores en su directorio público:

Creemos que Hyra demuestra mejoras adicionales en estas tareas públicas, aunque los experimentos entre organizaciones exigen revisar bien el código, el hardware y los evaluadores. Nuestra recomendación de uso: Los equipos que investigan algoritmos de entrenamiento o rendimiento de GPU pueden reproducir ambos repositorios. Si solo necesitas una API lista para atención al cliente o escritura, estas puntuaciones no obligan a cambiar tu modelo habitual.

Registros de Hyra · Resultados de investigación de Recursive

SimpleTES: ambos usan puntuaciones objetivas; Hyra emplea menos puertas en la tarea pública de enrutamiento cuántico

SimpleTES estudia cómo ampliar el ciclo de generar candidatos, evaluarlos automáticamente y seguir buscando. Su artículo abarca 21 tareas de investigación en 6 campos y publica resultados, entre otros, de enrutamiento de circuitos cuánticos. En la comparación pública sobre tres topologías de hardware, Hyra reduce las CNOT adicionales totales de 269 037 a 258 369. En esa tarea ofrece una solución candidata mejor.

Pero un mejor resultado en una tarea no demuestra una superioridad general del sistema de investigación. La fortaleza de SimpleTES es explicar de forma más sistemática la evaluación experimental y las estrategias de ampliación, lo que ayuda a construir procesos propios de optimización científica. Nuestra recomendación de uso: Lee primero el método SimpleTES para diseñar tu propia plataforma de experimentos automáticos. Revisa los archivos OpenQASM de Hyra para estudiar mejoras concretas en enrutamiento cuántico.

Artículo original de SimpleTES · Resultados de enrutamiento cuántico de Hyra

TTT-Discover: aprendizaje durante la resolución, junto a las mejoras matemáticas posteriores de Hyra

Lo distintivo de TTT-Discover es que el modelo sigue aprendiendo mientras resuelve una tarea científica concreta, en lugar de recibir una y otra vez instrucciones sin cambiar sus parámetros. Su artículo presenta descubrimientos en matemáticas, operadores de GPU y análisis biológico, con código reproducible. Hyra cita su registro anterior de la constante de autocorrelación, 1,502870, y comunica una mejora a 1,502850. La diferencia es pequeña, pero en optimización matemática con cotas numéricas precisas el valor científico no se mide solo por el porcentaje de mejora.

No existe una comparación pública completa, bajo un mismo criterio, de ambos métodos y sus presupuestos experimentales. Nuestra recomendación de uso: Para estudiar cómo un modelo sigue aprendiendo en una tarea concreta, empieza por TTT-Discover. Para ver cómo documentar resultados con código, pruebas numéricas y artículos, la organización de Hyra puede servir de ejemplo.

Artículo de TTT-Discover · Resultados matemáticos de Hyra

Google AlphaEvolve: resultados científicos verificables y experiencia de producción a gran escala

AlphaEvolve, de Google DeepMind, también combina modelos de lenguaje con evaluadores automáticos para encontrar mejores algoritmos. Google describe usos reales en planificación de centros de datos, diseño de chips y entrenamiento de modelos. Un ejemplo es la recuperación media de aproximadamente 0,7 % de los recursos de cálculo de los centros de datos. Es un caso de producción, no un resultado de Hyra en la misma prueba. No pondríamos ambas cifras en una tabla para forzar una clasificación.

Hyra destaca por sus materiales públicos de matemáticas, computación cuántica y proteínas. AlphaEvolve destaca por la experiencia de trasladar la optimización experimental a infraestructura de producción. Nuestra recomendación de uso: Si gestionas servicios en línea, daríamos prioridad a la validación en producción y al cálculo de beneficios a largo plazo que destaca AlphaEvolve. Si quieres aprender a presentar resultados científicos comprobables, los directorios de Hyra facilitan empezar por una reproducción concreta.

Google DeepMind AlphaEvolve · Avances de AlphaEvolve en producción

Preguntas frecuentes sobre la API de Hunyuan Hyra 2.0

¿Por qué no aparece hyra-2.0 en la lista de modelos de API Hop?

Porque el catálogo público actual no incluye Hyra 2.0 como modelo de texto al que se pueda llamar. Si API Hop incorpora compatibilidad con hyra-2.0, publicaremos la novedad cuanto antes.

Documentación unificada de Chat Completions · Repositorio de resultados de Hyra

¿Qué interfaces de programación ofrecen HyInv y HyPLM-Flash?

Estos dos modelos independientes entrenados por Hyra 2.0 tienen interfaces concretas, pero usarlos no equivale a llamar a una API del agente Hyra. HyInv admite línea de comandos y Python, por ejemplo:

# Ejecuta en un entorno con HyInv instalado; structure.pdb es tu archivo de estructura
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash ofrece una interfaz de codificación en Python, por ejemplo:

from hyplm import HyPLMEncoder

# Primero descarga, combina y verifica los pesos siguiendo las instrucciones del proyecto
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

Recomendamos desplegarlos como servicios independientes: instala primero las dependencias indicadas por el repositorio y comprueba entradas y salidas con muestras pequeñas. La implementación acelerada de HyPLM-Flash también depende de CUDA, Triton y un entorno de GPU adecuado. No supongas que cualquier CPU o tarjeta gráfica puede alcanzar el rendimiento publicado.

Instalación y uso de HyInv · Instalación y uso de HyPLM-Flash

¿Por qué pueden variar los resultados al reproducirlos y cómo se calculan los costes?

Recomendamos separar primero los costes de inferencia del modelo, reproducción del entrenamiento y agente de investigación completo. El registro público de nanochat usa una B200; nanoGPT Speedrun, ocho H100. Necesitan datos, controladores, dependencias y ajustes de validación compatibles. Incluso con el mismo código, la frecuencia de la GPU, la caché de compilación, la carga y el azar pueden cambiar las mediciones. Las pruebas aceleradas de HyInv excluyen expresamente la primera compilación de Triton y la captura de CUDA Graph.

Por eso evaluaríamos tres aspectos: si la calidad cumple el objetivo, el tiempo total de la tarea y los recursos por resultado verificado. Para entrenamiento, registra horas GPU y medias de al menos tres ejecuciones. Para inferencia en línea, separa la latencia de la primera solicitud, el rendimiento estable, la memoria GPU y la tasa de fallos. Para agentes de investigación, suma también experimentos fallidos y tiempo de revisión humana. Actualmente no hay un precio verificable de una API general Hyra 2.0, así que no inventamos una tarifa por token.

Instrucciones para reproducir Hyra nanochat · Instrucciones para reproducir nanoGPT Speedrun