Hunyuan Hyra 2.0 : recherche automatisée, conception de protéines, tests et accès API

Qu’est-ce que Hunyuan Hyra 2.0 ?

Hyra 2.0 est l’agent de recherche automatisée de Tencent Hunyuan, pas un simple modèle de discussion

Un modèle de discussion répond aux questions. Un agent de recherche fait avancer un problème vérifiable jusqu’à obtenir un résultat. Tencent appelle Hyra le Hunyuan Research Agent. Ses travaux publics portent sur l’entraînement de petits modèles, les opérateurs GPU, des problèmes mathématiques, les circuits quantiques, la modélisation des protéines et les algorithmes de prédiction.

Par exemple, un outil de discussion peut expliquer comment accélérer un entraînement. Un agent de recherche vise plutôt à modifier le script, lancer des expériences, obtenir de nouvelles mesures et laisser du code ainsi que des journaux consultables. Pour comprendre Hyra, nous pensons qu’il faut surtout vérifier si ses solutions sont reproductibles, dépassent les résultats de référence et justifient les ressources de calcul utilisées, plutôt que juger la fluidité de ses conversations.

Le dépôt public Hyra-results de Tencent contient surtout les solutions finales et quelques scripts de reproduction. Il ne dévoile pas entièrement la planification des recherches, la stratégie d’exploration ou les modèles sous-jacents de l’agent. Dépôt des résultats Hyra

Faire progresser la recherche grâce aux expériences : relier code, évaluation et vérification

Les résultats publics de Hyra ont un point commun : les problèmes comportent généralement un objectif mesurable. Une perte de validation plus faible après entraînement est préférable, tout comme un entraînement plus court à précision égale ou moins de portes ajoutées à un circuit quantique. Une bonne idée peut ainsi devenir du code concret, un journal d’exécution ou une preuve, au lieu de rester une explication simplement plausible.

Nous proposons de comprendre cette démarche en quatre étapes vérifiables : définir la mesure cible, produire des solutions candidates, les évaluer dans un environnement externe, puis conserver les résultats validés. Il s’agit d’un mode de travail déduit des éléments publics. Cela ne signifie pas que Tencent a publié toute l’architecture interne de Hyra 2.0.

Un exemple facile à comprendre serait : « Aidez-nous à accélérer ce programme qui fonctionne déjà. » Il faut alors fournir des données de test, un environnement d’exécution et des critères de réussite clairs. Avec une demande aussi vague que « Améliore l’algorithme », même un modèle puissant aura du mal à savoir ce qui constitue un succès.

Hyra 2.0 a produit des modèles de protéines, mais ces modèles ne sont pas l’agent lui-même

Au moment de cette vérification, deux projets du dépôt Tencent retiennent particulièrement l’attention. HyInv est un modèle de repliement inverse des protéines d’environ 1,96 million de paramètres : il génère des séquences d’acides aminés à partir de la structure du squelette protéique. HyPLM-Flash est un modèle de langage protéique d’environ 650 millions de paramètres, destiné à représenter des séquences et à réaliser des prédictions associées. Les deux README précisent que ces modèles ont été entraînés par Hyra 2.0.

La distinction est essentielle : HyInv et HyPLM-Flash sont des modèles indépendants dont on peut obtenir le code et les poids, puis suivre les instructions pour les exécuter. Ce ne sont pas un modèle de conversation général nommé hyra-2.0. Ils servent respectivement à concevoir des séquences à partir de structures et à encoder des séquences pour des analyses ultérieures. Pour les chercheurs, c’est plus concret que l’affirmation « L’IA peut faire de la recherche » : il existe une tâche précise à reproduire.

Documentation des projets : README de HyInv · README de HyPLM-Flash

Principales fonctions et points forts de Hunyuan Hyra 2.0

Recherche automatisée en IA : améliorer les recettes d’entraînement plutôt que donner seulement des conseils

Selon nous, l’un des premiers intérêts de Hyra est la recherche automatique de meilleures configurations d’entraînement. Le projet nanochat_autoresearch fournit un fichier train.py consultable, des scripts d’exécution et les journaux complets. La configuration publiée atteint 0,901543 BPB de validation sur une seule NVIDIA B200, avec un budget fixe d’environ 300 secondes d’entraînement. Le BPB est une mesure de perte pour la prédiction de texte ; dans cette tâche, plus il est faible, mieux c’est.

Pour les développeurs, le résultat dépasse donc un vague retour d’expérience sur le réglage des paramètres. Il comprend des changements concrets des fenêtres d’attention, de l’optimiseur, de caractéristiques n-gram supplémentaires et du calendrier d’entraînement. Nous conseillons d’abord de comprendre ces modifications reproductibles, puis de voir si elles conviennent à son modèle, plutôt que copier une configuration sur des volumes de données très différents. Expérience nanochat

Optimisation des opérateurs GPU : prouver les gains avec une implémentation exécutable

L’optimisation GPU comporte un piège fréquent : un code qui semble plus sophistiqué peut être plus lent, voire produire des résultats faux pour certaines entrées. Dans SOL-ExecBench, Hyra publie une partie de ses véritables soumissions, couvrant l’attention, la répartition MoE, les multiplications matricielles et des opérateurs d’inférence. Le répertoire public contient 10 exemples ayant réussi les contrôles de justesse, chacun avec un identifiant, une latence et un score.

Nous apprécions particulièrement la présence du résultat des contrôles. Un exemple Flash/GQA attention affiche une latence de 0,177612 milliseconde, mais cette valeur concerne uniquement sa tâche et son matériel de test. Elle ne signifie pas que le calcul d’attention de n’importe quel modèle sera aussi rapide. Pour les équipes d’inférence, nous recommandons de fixer les dimensions d’entrée, la précision, le matériel et la version du compilateur avant de comparer latence et cohérence des sorties.

Résultats sur les opérateurs GPU

Découvertes mathématiques : passer de réponses candidates à des preuves vérifiables

Les mathématiques sont un autre domaine intéressant pour les agents de recherche. Le dépôt Hyra documente des résultats en géométrie, combinatoire et inégalités d’opérateurs. Par exemple, la borne inférieure du volume des corps convexes tridimensionnels de largeur constante passe d’environ 0,380799 à 0,411040. Les notes ajoutées le 2 novembre 2026 rapportent aussi un résultat sur la conjecture de Petty concernant les points équidistants en dimension cinq et un contre-exemple à la conjecture de Yau sur les actions du cercle dans le cas non simplement connexe.

Ces avancées ne doivent pas devenir l’affirmation « L’IA a résolu toutes les conjectures mathématiques ». Nous regardons plutôt la portée des preuves, les parties réellement vérifiées formellement et la nécessité éventuelle d’un examen par d’autres mathématiciens. Pour un travail rigoureux, il faut conserver l’énoncé original, toutes les hypothèses, les fichiers de preuve et les comptes rendus de vérification indépendante avant de citer publiquement le résultat.

Répertoire des résultats mathématiques

Conception de protéines : HyInv transforme une structure en séquences candidates d’acides aminés

HyInv répond à un besoin précis : un chercheur possède la structure du squelette d’une protéine et souhaite concevoir des séquences susceptibles de s’y adapter. Le modèle propose des interfaces en ligne de commande et en Python. Il permet de lire des fichiers de structure PDB, de choisir des chaînes, de fixer certaines positions et de générer plusieurs candidats avec des graines aléatoires. Les poids publics pèsent environ 7,8 MB, et l’implémentation de référence fonctionne sur CPU ou GPU.

L’intérêt pour les équipes de biotechnologie est d’automatiser la génération répétée de séquences candidates. Produire une séquence ne revient toutefois pas à découvrir un médicament efficace. Il faut encore vérifier sa structure, sa stabilité et son comportement expérimental. Nous suggérons de tester d’abord formats et sorties sur quelques structures publiques, de filtrer ensuite avec le processus d’évaluation structurelle de l’équipe, puis seulement de passer aux expériences.

Projet HyInv et instructions d’exécution

Analyse des séquences protéiques : HyPLM-Flash convient à l’encodage par lots et aux prédictions ultérieures

HyPLM-Flash a un rôle différent de HyInv. Il reçoit des séquences protéiques et renvoie des représentations vectorielles par résidu ou pour la séquence entière, ainsi que des logits pour évaluer les mutations. L’implémentation Tencent comprend un moteur d’inférence INT8 et annonce environ 130 000 résidus par seconde sur une seule H20. Ce chiffre vient de l’environnement indiqué par le projet, pas d’une garantie de vitesse sur toute carte graphique.

Nous conseillons de le voir comme un extracteur de caractéristiques de séquences au sein d’un système de recherche. On peut, par exemple, encoder des protéines par lots, puis transmettre les vecteurs à ses propres programmes de classification, de regroupement ou de prédiction des propriétés. Pour un développeur généraliste, comprendre que des séquences d’acides aminés entrent et que des vecteurs sortent est plus utile que se concentrer sur les 650 millions de paramètres. Les chercheurs devraient comparer précision, capacité par lot et démarrage à froid pour choisir entre INT8 et BF16.

Projet HyPLM-Flash

Tests et performances de Hunyuan Hyra 2.0

Cette section utilise les données expérimentales par tâche publiées par Tencent. Il ne s’agit pas d’un classement uniforme d’un modèle de discussion Hyra 2.0. Certaines valeurs décrivent des découvertes du système de recherche, d’autres évaluent des modèles indépendants entraînés par Hyra 2.0. Leur reproduction dans votre activité dépend toujours de l’environnement de test et de la référence retenue.

Qualité de l’entraînement linguistique : le BPB de validation nanochat passe de 0,9109 à 0,9015

Tencent compare son résultat à un précédent résultat similaire publié par Recursive : 0,9109 BPB auparavant, contre environ 0,9015 BPB pour Hyra, soit une différence absolue d’environ 0,0094. La valeur exacte de Hyra est 0,901543, obtenue avec 1× B200, environ 300,1 secondes d’entraînement et 348,4 secondes au total, préparation et évaluation comprises. L’amélioration correspond à une baisse de la perte de validation, pas à une hausse équivalente de la précision des réponses générales.

Notre conseil : Si votre équipe optimise l’entraînement de petits modèles, commencez par reproduire le projet et vérifier la mémoire GPU, la préparation des données et la méthode de validation. Pour un entraînement commercial, les mesures sur vos propres données et le coût final restent déterminants. N’étendez pas automatiquement les gains d’un test de cinq minutes à toutes les tailles de modèles.

Résultat Hyra nanochat · Référence Recursive

Vitesse d’entraînement : nanoGPT Speedrun passe d’environ 77,5 à 76,435 secondes

Dans nanoGPT Speedrun, le script public de Hyra utilise FP8 pour les grandes opérations matricielles et ajuste le programme d’entraînement. Le dépôt conserve trois exécutions : 76,431, 76,467 et 76,408 secondes, pour une moyenne de 76,435 secondes et une perte moyenne de validation d’environ 3,28007. Par rapport à la référence citée d’environ 77,5 secondes, le gain est d’environ 1,1 seconde, soit 1,4 %.

Ces résultats dépendent de conditions précises : 8× H100, les versions correspondantes de CUDA, PyTorch et Triton, et le jeu de données prévu. La perte moyenne s’arrondit à 3,280. L’affichage de 3,280 ne signifie pas que chaque expérience est restée strictement sous 3,280.

Notre conseil : Cette optimisation FP8 mérite d’être envisagée si votre environnement d’entraînement est proche. Nous reproduirions au moins trois exécutions pour comparer moyenne, variations et perte finale. Si votre système utilise déjà d’autres opérateurs, commencez par un petit test A/B.

Les trois expériences Hyra nanoGPT

Score des opérateurs GPU : SOL-ExecBench monte de 0,754 à 0,771

Dans la comparaison publique SOL-ExecBench, le score SOL global de référence de Recursive est 0,754, tandis que Hyra rapporte 0,771, soit un gain de 0,017. SOL mesure à quel point une implémentation approche la limite de performance définie par ce test. Ce n’est pas un taux général de justesse du code de 77,1 %. Tencent publie aussi 10 exemples avec vérifications, mais ils ne remplacent pas l’ensemble des données du benchmark.

Notre conseil : Pour les passerelles d’inférence ou les services GPU, testez d’abord les opérateurs qui sont de vrais points de blocage dans votre activité. Relevez les latences P50/P95, le débit, la mémoire GPU et les erreurs numériques. Chercher le meilleur score sur un seul microbenchmark ne réduit pas forcément le coût global du service.

Hyra SOL-ExecBench · Résultats publiés par Recursive

Routage des circuits quantiques : les CNOT supplémentaires passent de 269 037 à 258 369

L’informatique quantique comporte aussi des tâches d’optimisation mesurables. Si deux qubits ne sont pas voisins sur le matériel physique, l’algorithme de routage doit ajouter des opérations. Tencent documente 61 circuits vérifiés et compare des topologies Q20, de type Willow et de type Heron à la référence citée par SimpleTES :

Selon les critères de ce tableau, cela représente 10 668 CNOT de moins, soit une réduction d’environ 4,0 %. La mesure porte sur le surcoût de mise en correspondance du circuit avec le matériel, pas sur une accélération de 4 % de l’ensemble de l’ordinateur quantique.

Notre conseil : Si vous compilez des circuits quantiques, vérifiez d’abord l’OpenQASM produit et les contraintes de connectivité. Si vous choisissez simplement un outil de discussion général, ce résultat n’a pas de lien direct avec la qualité des réponses quotidiennes.

Projet de circuits quantiques · Article SimpleTES

Inférence protéique : environ 130 000 résidus par seconde pour HyPLM-Flash et des lots conçus en millisecondes avec HyInv

Ces chiffres concernent les modèles indépendants produits par Hyra 2.0, pas la vitesse de bout en bout de l’agent. Tencent annonce environ 130 000 résidus par seconde pour HyPLM-Flash en INT8 sur une seule H20. Dans la comparaison associée portant sur 32 tâches et 28 points de contrôle publics, la corrélation de Spearman sans exemples préalables sur ProteinGym est de 0,409, statistiquement proche de celle de plusieurs encodeurs protéiques de taille similaire. Il s’agit d’une corrélation, pas d’une précision de classification.

Pour HyInv, le projet annonce environ 25 millisecondes avec le parcours BF16 optimisé, contre 999 millisecondes avec l’implémentation de référence, pour générer sur H20 un lot de 128 protéines candidates d’une longueur d’environ 148 résidus. Ce temps exclut la première compilation et la capture du CUDA Graph. Le parcours optimisé présente aussi des différences numériques par rapport à la référence FP32 : la vitesse seule ne suffit donc pas pour décider de changer d’implémentation.

Notre conseil : Les équipes de recherche biologique devraient évaluer séparément qualité, débit par lots et reproductibilité. Si vous traitez souvent une seule séquence courte, mesurez d’abord la latence de la première requête. Les résidus par seconde comptent surtout pour les gros lots hors ligne. Les scores des séquences ne remplacent pas non plus une validation expérimentale en laboratoire.

HyPLM-Flash · HyInv

Comparaison de Hunyuan Hyra 2.0 avec Recursive, SimpleTES, TTT-Discover et AlphaEvolve

Nous comparons ici des systèmes d’automatisation de la recherche ou des cadres de travail scientifiques, pas quatre modèles de discussion interchangeables dans une même interface. Nous utilisons autant que possible les chiffres de tâches communes. En l’absence de test uniforme, nous comparons uniquement les méthodes de travail et les usages adaptés.

Recursive : Hyra publie de nouveaux progrès sur des tâches similaires de recherche automatisée en IA

First Steps Toward Automated AI Research, de Recursive, constitue un point de comparaison assez direct. Le travail publie des résultats sur l’entraînement de petits modèles à budget fixe, la vitesse d’entraînement et l’optimisation d’opérateurs GPU. Hyra reprend ces références dans son répertoire public :

Nous pensons que Hyra démontre des progrès supplémentaires sur ces tâches publiques, mais les comparaisons entre organismes demandent toujours de vérifier code, matériel et outils de notation. Notre recommandation d’usage : Une équipe qui étudie les algorithmes d’entraînement ou la performance GPU peut reproduire les deux dépôts. Si vous cherchez seulement une API prête à l’emploi pour le support client ou la rédaction, ces scores ne justifient pas à eux seuls de changer votre modèle habituel.

Résultats Hyra · Travaux de recherche Recursive

SimpleTES : les deux reposent sur des scores objectifs, Hyra utilise moins de portes sur la tâche publique de routage quantique

SimpleTES étudie comment étendre le cycle « solutions candidates, évaluation automatique, poursuite de la recherche ». Son article couvre 21 tâches scientifiques dans 6 domaines et publie notamment des résultats sur le routage de circuits quantiques. Dans sa comparaison publique sur trois topologies matérielles, Hyra réduit le total des CNOT supplémentaires de 269 037 à 258 369. Sur cette tâche, il fournit une meilleure solution candidate.

Un meilleur résultat sur une tâche ne prouve pourtant pas la supériorité de tout le système de recherche. La force de SimpleTES est d’expliquer plus systématiquement l’évaluation expérimentale et les stratégies de passage à l’échelle, ce qui aide à construire ses propres processus d’optimisation scientifique. Notre recommandation d’usage : Lisez d’abord la méthode SimpleTES pour concevoir une plateforme d’expériences automatiques. Étudiez ensuite les fichiers OpenQASM de Hyra pour examiner des optimisations concrètes de routage quantique.

Article original SimpleTES · Résultats Hyra sur le routage quantique

TTT-Discover : continuer à apprendre pendant la résolution, face aux progrès mathématiques ultérieurs de Hyra

La particularité de TTT-Discover est que le modèle continue d’apprendre lorsqu’il résout une tâche scientifique précise, au lieu de simplement recevoir de nouveaux prompts sans changer. Son article présente des découvertes en mathématiques, opérateurs GPU et analyse biologique, avec du code reproductible. Hyra cite son précédent record de constante d’autocorrélation, 1,502870, puis annonce une amélioration à 1,502850. L’écart est petit, mais pour une optimisation mathématique exigeant des bornes numériques précises, la valeur scientifique ne se mesure pas uniquement en pourcentage.

Il n’existe pas de comparaison publique complète et uniforme des deux méthodes et de leurs budgets expérimentaux. Notre recommandation d’usage : Pour étudier comment un modèle apprend encore sur une tâche donnée, commencez par TTT-Discover. Pour voir comment documenter des résultats avec du code, des preuves numériques et des articles, l’organisation du dépôt Hyra constitue un exemple utile.

Article TTT-Discover · Résultats mathématiques Hyra

Google AlphaEvolve : des résultats scientifiques vérifiables et une expérience de production à grande échelle

AlphaEvolve, de Google DeepMind, combine lui aussi des modèles de langage et des évaluateurs automatiques pour trouver de meilleurs algorithmes. Google décrit des déploiements réels dans la planification des centres de données, la conception de puces et l’entraînement de modèles. Un exemple est la récupération moyenne d’environ 0,7 % des ressources de calcul des centres de données. C’est un cas de production, pas un résultat Hyra sur la même tâche : nous ne mettrions pas ces chiffres dans un même tableau pour les classer.

Hyra est intéressant pour ses résultats publics en mathématiques, recherche quantique et protéines. AlphaEvolve l’est pour son expérience du passage de l’optimisation expérimentale à l’infrastructure de production. Notre recommandation d’usage : Si vous gérez des services en ligne, nous privilégierions les enseignements d’AlphaEvolve sur la validation en production et le calcul des gains à long terme. Si vous voulez apprendre à présenter des résultats scientifiques contrôlables, les sous-répertoires de Hyra offrent des points de départ plus simples pour une reproduction ciblée.

Google DeepMind AlphaEvolve · Progrès d’AlphaEvolve en production

Questions fréquentes sur l’API Hunyuan Hyra 2.0

Pourquoi hyra-2.0 n’apparaît-il pas dans la liste des modèles API Hop ?

Parce que le catalogue public actuel ne présente pas Hyra 2.0 comme un modèle de texte accessible par appel API. Si API Hop prend en charge hyra-2.0, nous publierons rapidement une mise à jour.

Documentation unifiée Chat Completions · Dépôt des résultats Hyra

Quelles interfaces de programmation proposent HyInv et HyPLM-Flash ?

Ces deux modèles indépendants entraînés par Hyra 2.0 disposent d’interfaces concrètes. Les utiliser ne revient toutefois pas à appeler une API de l’agent Hyra. HyInv prend en charge la ligne de commande et Python, par exemple :

# Exécuter dans un environnement où HyInv est installé ; structure.pdb est votre fichier de structure
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash propose une interface d’encodage Python, par exemple :

from hyplm import HyPLMEncoder

# Télécharger, fusionner et vérifier d'abord les poids selon les instructions du projet
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

Nous conseillons de les déployer comme des services séparés : installez d’abord les dépendances indiquées par le dépôt, puis vérifiez les entrées et sorties sur de petits échantillons. L’implémentation accélérée de HyPLM-Flash dépend aussi de CUDA, de Triton et d’un environnement GPU adapté. Il ne faut pas supposer que n’importe quel CPU ou GPU atteindra le débit publié.

Installer et utiliser HyInv · Installer et utiliser HyPLM-Flash

Pourquoi les résultats peuvent-ils différer lors d’une reproduction, et comment évaluer les coûts ?

Nous recommandons d’abord de séparer les coûts de l’inférence du modèle, de la reproduction de l’entraînement et d’un agent de recherche complet. Le résultat public nanochat utilise une B200, tandis que nanoGPT Speedrun utilise huit H100. Il faut des données, pilotes, dépendances et réglages de validation adaptés. Même avec le même code, la fréquence du GPU, les caches de compilation, la charge et l’aléatoire peuvent modifier les mesures. Les tests accélérés de HyInv excluent également, de façon explicite, la première compilation Triton et la capture du CUDA Graph.

Nous évaluerions donc trois aspects : le respect des objectifs de qualité, la durée totale de la tâche et les ressources nécessaires par résultat vérifié. Pour l’entraînement, notez les heures GPU et les moyennes d’au moins trois exécutions. Pour l’inférence en ligne, mesurez séparément la latence de la première requête, le débit stabilisé, la mémoire GPU et le taux d’échec. Pour les agents de recherche, comptez aussi les expériences ratées et le temps de contrôle humain. Il n’existe actuellement aucun tarif vérifiable pour une API générale Hyra 2.0 ; nous n’inventons donc pas de prix par token.

Instructions pour reproduire Hyra nanochat · Instructions pour reproduire nanoGPT Speedrun