Hunyuan Hyra 2.0 क्या है?
Hyra 2.0 Tencent Hunyuan का स्वचालित शोध एजेंट है, सामान्य चैट मॉडल नहीं
चैट मॉडल सवालों के जवाब देता है। शोध एजेंट को जाँची जा सकने वाली समस्या पर काम करते हुए परिणाम तक पहुँचना होता है। Tencent, Hyra को Hunyuan Research Agent कहता है। सार्वजनिक नतीजों में छोटे मॉडल का प्रशिक्षण, GPU ऑपरेटर, कठिन गणितीय समस्याएँ, क्वांटम सर्किट, प्रोटीन मॉडलिंग और पूर्वानुमान एल्गोरिदम शामिल हैं।
मसलन, सामान्य चैट टूल बता सकता है कि “प्रशिक्षण तेज़ कैसे करें”, जबकि शोध एजेंट का लक्ष्य “प्रशिक्षण स्क्रिप्ट बदलना, प्रयोग चलाना, नए आँकड़े पाना और जाँच के लिए कोड व लॉग छोड़ना” है। हमारे अनुसार Hyra को समझने का मुख्य सवाल यह नहीं है कि उससे बातचीत कितनी सहज है। सवाल यह है कि उसके समाधान दोहराए जा सकते हैं या नहीं, मौजूदा आधार परिणाम से बेहतर हैं या नहीं और उन पर कंप्यूटिंग संसाधन लगाना उचित है या नहीं।
Tencent के सार्वजनिक Hyra-results रिपॉज़िटरी में मुख्य रूप से अंतिम समाधान और प्रयोग दोहराने की कुछ स्क्रिप्ट हैं। एजेंट की शोध योजना, खोज रणनीति या मूल मॉडल की पूरी जानकारी सार्वजनिक नहीं है। Hyra के परिणामों की रिपॉज़िटरी
प्रयोग के नतीजों से शोध आगे बढ़ाना: कोड, स्कोर और जाँच को जोड़ना
Hyra के सार्वजनिक परिणामों में एक बात समान है: समस्या का लक्ष्य आमतौर पर मापा जा सकता है। जैसे प्रशिक्षण के बाद सत्यापन लॉस जितना कम हो उतना अच्छा, समान सटीकता पर प्रशिक्षण समय जितना कम हो उतना अच्छा, या क्वांटम सर्किट में जोड़े गए गेट जितने कम हों उतना अच्छा। इससे अच्छी सोच केवल सुनने में सही लगने वाली व्याख्या तक सीमित नहीं रहती; वह ठोस कोड, रन रिकॉर्ड या प्रमाण सामग्री बन सकती है।
हम इस शोध पद्धति को चार जाँचे जा सकने वाले चरणों में समझने की सलाह देते हैं: लक्ष्य सूचक तय करना, संभावित समाधान बनाना, बाहरी वातावरण में उनका मूल्यांकन करना और सत्यापित परिणाम सहेजना। यह सार्वजनिक काम को देखकर समझा गया तरीका है। इसका मतलब यह नहीं कि Tencent ने Hyra 2.0 की पूरी आंतरिक संरचना खोल दी है।
सामान्य उपयोगकर्ता के लिए सबसे आसान उदाहरण है: “जो प्रोग्राम पहले से चल रहा है, उसे और तेज़ करने में मदद करें।” इसके लिए परीक्षण डेटा, चलाने का वातावरण और सफलता की साफ शर्तें देनी होंगी। केवल “एल्गोरिदम बेहतर कर दो” कहने से, कितना भी सक्षम मॉडल हो, उसके लिए सफलता को पहचानना कठिन होगा।
Hyra 2.0 ने प्रोटीन मॉडल बनाए हैं, लेकिन वे मॉडल स्वयं एजेंट नहीं हैं
इस जाँच के समय Tencent ने परिणामों की रिपॉज़िटरी में दो खास परियोजनाएँ जारी की थीं। HyInv लगभग 19.6 लाख पैरामीटर वाला प्रोटीन इनवर्स फोल्डिंग मॉडल है, जो प्रोटीन के ढाँचे से अमीनो अम्लों का क्रम बनाता है। HyPLM-Flash लगभग 65 करोड़ पैरामीटर वाला प्रोटीन भाषा मॉडल है, जो प्रोटीन क्रम का प्रतिनिधित्व बनाने और संबंधित पूर्वानुमान कार्यों के लिए है। दोनों के README में लिखा है कि उन्हें Hyra 2.0 ने प्रशिक्षित किया है।
यह अंतर याद रखना ज़रूरी है: HyInv और HyPLM-Flash स्वतंत्र मॉडल हैं। उनका कोड और वेट डाउनलोड करके निर्देशों के अनुसार चलाया जा सकता है। वे hyra-2.0 नाम के सामान्य बातचीत मॉडल नहीं हैं। एक संरचना से क्रम डिज़ाइन करता है, दूसरा क्रम को एन्कोड करके आगे के विश्लेषण में मदद करता है। शोधकर्ताओं के लिए यह “AI शोध कर सकता है” जैसे अमूर्त दावे से अधिक ठोस है, क्योंकि वे कम से कम किसी स्पष्ट कार्य को दोहराकर शुरुआत कर सकते हैं।
परियोजना दस्तावेज़: HyInv README · HyPLM-Flash README
Hunyuan Hyra 2.0 की मुख्य क्षमताएँ और उपयोग के क्षेत्र
स्वचालित AI शोध: छोटे मॉडल की प्रशिक्षण विधि सुधारना, केवल सुझाव देना नहीं
हमारे अनुसार Hyra की पहली उपयोगिता प्रशिक्षण के तरीके अपने आप खोजना है। nanochat_autoresearch परियोजना में train.py, चलाने की स्क्रिप्ट और पूरा प्रशिक्षण लॉग उपलब्ध है। सार्वजनिक कॉन्फ़िगरेशन में एक NVIDIA B200 और लगभग 300 सेकंड के तय प्रशिक्षण बजट पर 0.901543 सत्यापन BPB मिला। सरल शब्दों में, BPB पाठ का पूर्वानुमान लगाने की गुणवत्ता मापने वाला लॉस सूचक है; इस कार्य में कम मान बेहतर है।
डेवलपर के लिए इसका मतलब है कि परिणाम केवल “पैरामीटर बदलने के सुझाव” नहीं हैं। इनमें अटेंशन विंडो, ऑप्टिमाइज़र सेटिंग, अतिरिक्त n-gram विशेषताएँ और प्रशिक्षण समय-सारणी के ठोस बदलाव शामिल हैं। हम पहले इन दोहराए जा सकने वाले बदलावों को समझने और फिर अपने मॉडल के लिए उनकी उपयोगिता तय करने की सलाह देते हैं। किसी और की प्रशिक्षण सेटिंग को बिल्कुल अलग पैमाने के डेटा पर ज्यों का त्यों न अपनाएँ। nanochat प्रयोग
GPU ऑपरेटर सुधार: चलने वाले कोड में वास्तविक गति बढ़ाना
GPU सुधार में एक आम भ्रम है कि अधिक उन्नत दिखने वाला कोड तेज़ भी होगा। वह वास्तव में धीमा हो सकता है या कुछ इनपुट पर गलत गणना कर सकता है। Hyra ने SOL-ExecBench में कुछ वास्तविक प्रस्तुतियाँ जारी की हैं, जिनमें अटेंशन, MoE वितरण, मैट्रिक्स गुणा और अनुमान के चरण के ऑपरेटर हैं। सार्वजनिक फ़ोल्डर में सही परिणाम की जाँच पार कर चुके 10 उदाहरण हैं, और हर एक के साथ प्रस्तुति क्रमांक, विलंब और स्कोर है।
हमें खास तौर पर यह उपयोगी लगता है कि सही परिणाम की स्थिति भी दर्ज है। उदाहरण के लिए, एक Flash/GQA attention उदाहरण का विलंब 0.177612 मिलीसेकंड है। लेकिन यह संख्या उसी कार्य और परीक्षण हार्डवेयर की है; इससे यह नहीं मान सकते कि हर मॉडल की अटेंशन गणना उतनी ही तेज़ होगी। अनुमान सेवाएँ चलाने वाली टीमों को पहले इनपुट आकार, संख्यात्मक सटीकता, हार्डवेयर और कंपाइलर संस्करण तय करने चाहिए, फिर बदलाव से पहले और बाद का विलंब तथा आउटपुट की संगति जाँचनी चाहिए।
गणितीय खोज: संभावित उत्तर से जाँचे जा सकने वाले प्रमाण तक
शोध एजेंटों के लिए गणित एक और दिलचस्प क्षेत्र है। Hyra रिपॉज़िटरी में ज्यामिति, संयोजक गणित और ऑपरेटर असमानताओं के परिणाम दर्ज हैं। उदाहरण के लिए, तीन आयामों में स्थिर चौड़ाई वाले उत्तल पिंड के आयतन की निचली सीमा लगभग 0.380799 से बढ़कर 0.411040 हुई। साथ ही, 2 नवंबर 2026 को जोड़े गए नोट में पाँच आयामों में Petty की समान दूरी वाले बिंदुओं की परिकल्पना पर परिणाम और गैर-सरल-संबद्ध स्थिति में Yau की वृत्त क्रिया परिकल्पना का प्रतिउदाहरण दिया गया है।
इन्हें “AI ने गणित की सभी परिकल्पनाएँ हल कर दीं” नहीं समझना चाहिए। हम इस पर ध्यान देते हैं कि प्रमाण कहाँ तक लागू है, औपचारिक जाँच ने वास्तव में कौन सा हिस्सा साबित किया और क्या अभी गणित विशेषज्ञों की समीक्षा चाहिए। गंभीर शोध में बाहर उद्धृत करने से पहले मूल प्रमेय, पूरी मान्यताएँ, प्रमाण फ़ाइलें और स्वतंत्र जाँच के रिकॉर्ड रखने चाहिए।
प्रोटीन डिज़ाइन: HyInv संरचना से संभावित अमीनो अम्ल क्रम बनाता है
HyInv एक स्पष्ट समस्या के लिए है: शोधकर्ता के पास प्रोटीन की मुख्य शृंखला की संरचना है और वह उससे मेल खा सकने वाले क्रम बनाना चाहता है। इसमें कमांड लाइन और Python दोनों तरीके हैं। यह PDB संरचना फ़ाइल पढ़ने, चेन चुनने, तय स्थान स्थिर रखने और रैंडम सीड के आधार पर कई संभावित क्रम बनाने का समर्थन करता है। सार्वजनिक वेट लगभग 7.8 MB हैं और संदर्भ कार्यान्वयन CPU या GPU पर चल सकता है।
बायोटेक टीमों के लिए लाभ यह है कि बार-बार संभावित क्रम बनाने का काम प्रोग्राम से किया जा सकता है। लेकिन हम “क्रम बनाना” को “प्रभावी दवा खोजना” नहीं कहते। संभावित क्रम को अभी संरचना, स्थिरता और प्रयोग से सत्यापित करना होता है। पहले कुछ सार्वजनिक संरचनाओं से फ़ॉर्मैट और आउटपुट जाँचें, फिर टीम की अपनी संरचना मूल्यांकन प्रक्रिया से छाँटें और उसके बाद प्रयोगशाला परीक्षण करें।
HyInv परियोजना और चलाने के निर्देश
प्रोटीन क्रम विश्लेषण: HyPLM-Flash सामूहिक एन्कोडिंग और आगे के पूर्वानुमान के लिए अधिक उपयुक्त है
HyPLM-Flash की भूमिका HyInv से अलग है। यह प्रोटीन क्रम लेकर हर अमीनो अम्ल अवशेष या पूरे क्रम का वेक्टर प्रतिनिधित्व देता है, और उत्परिवर्तन का स्कोर निकालने के लिए logits भी देता है। Tencent के कार्यान्वयन में INT8 अनुमान इंजन शामिल है। एक H20 पर लगभग 1.3 लाख अवशेष प्रति सेकंड की प्रसंस्करण दर बताई गई है। यह कंपनी के तय वातावरण की संख्या है, हर ग्राफ़िक्स कार्ड के लिए गति का वादा नहीं।
हम इसे “शोध सिस्टम में क्रम की विशेषताएँ निकालने वाला उपकरण” मानने की सलाह देते हैं। मसलन, बहुत से प्रोटीन एन्कोड करके वेक्टर अपने वर्गीकरण, समूह बनाने या गुणों का पूर्वानुमान लगाने वाले प्रोग्राम को दिए जा सकते हैं। सामान्य डेवलपर के लिए यह समझना कि इनपुट अमीनो अम्ल क्रम है और आउटपुट वेक्टर, 65 करोड़ पैरामीटर पर अटकने से अधिक उपयोगी है। शोधकर्ताओं को सटीकता, बैच आकार और पहली बार शुरू होने का समय साथ में जाँचना चाहिए, ताकि अपने काम के लिए INT8 या BF16 चुन सकें।
Hunyuan Hyra 2.0 के बेंचमार्क और प्रदर्शन
इस भाग में हम Tencent के सार्वजनिक अलग-अलग कार्यों के प्रयोगात्मक आँकड़े लेते हैं। ध्यान दें: ये एक ही माप-पद्धति के अंतर्गत Hyra 2.0 चैट मॉडल की रैंकिंग नहीं हैं। कुछ संख्या Hyra शोध सिस्टम की खोज दर्ज करती हैं, जबकि कुछ Hyra 2.0 से प्रशिक्षित स्वतंत्र मॉडल का मूल्यांकन हैं। आपके काम में इन्हें दोहरा पाना परीक्षण वातावरण और आधार परिणाम पर निर्भर करेगा।
भाषा मॉडल प्रशिक्षण की गुणवत्ता: nanochat का सत्यापन BPB 0.9109 से 0.9015 हुआ
Tencent की रिपॉज़िटरी परिणाम की तुलना Recursive के समान प्रकार के रिकॉर्ड से करती है। पहले का रिकॉर्ड 0.9109 BPB था और Hyra लगभग 0.9015 BPB तक पहुँचा; सीधा अंतर लगभग 0.0094 है। Hyra का सटीक मान 0.901543 है। 1× B200 पर प्रशिक्षण लगभग 300.1 सेकंड चला और तैयारी व मूल्यांकन सहित कुल समय लगभग 348.4 सेकंड था। यहाँ “सुधार” का अर्थ सत्यापन लॉस कम होना है, इसे सामान्य सवाल-जवाब की सटीकता में वृद्धि नहीं मान सकते।
हमारी सलाह: यदि टीम छोटे मॉडल का प्रशिक्षण सुधार रही है, तो इस परियोजना को दोहराकर GPU मेमोरी, डेटा तैयारी और सत्यापन विधि जाँची जा सकती है। व्यावसायिक मॉडल प्रशिक्षण में अपने डेटा के सूचक और अंतिम प्रशिक्षण लागत ही देखें। पाँच मिनट के एक बेंचमार्क का लाभ सभी आकारों के मॉडल पर लागू न मानें।
Hyra nanochat रिकॉर्ड · Recursive आधार परिणाम
प्रशिक्षण की गति: nanoGPT Speedrun लगभग 77.5 से घटकर 76.435 सेकंड
nanoGPT Speedrun प्रयोग में Hyra की सार्वजनिक स्क्रिप्ट बड़े मैट्रिक्स की गणना के लिए FP8 इस्तेमाल करती है और प्रशिक्षण योजना बदलती है। रिपॉज़िटरी में तीन रन हैं: 76.431, 76.467, 76.408 सेकंड। औसत 76.435 सेकंड और औसत सत्यापन लॉस लगभग 3.28007 है। उद्धृत लगभग 77.5 सेकंड के आधार परिणाम की तुलना में समय लगभग 1.1 सेकंड, यानी 1.4% कम हुआ।
इस परिणाम की शर्तें बहुत खास हैं: 8× H100, संबंधित CUDA, PyTorch और Triton संस्करण तथा वही डेटा सेट। औसत लॉस राउंड करने पर 3.280 है। केवल 3.280 दिखने से यह नहीं मान सकते कि हर प्रयोग का मान सख्ती से 3.280 से नीचे था।
हमारी सलाह: इस FP8 सुधार को अपनाने पर तभी विचार करें जब प्रशिक्षण वातावरण करीब हो। हम कम से कम तीन रन दोहराकर औसत, उतार-चढ़ाव और अंतिम लॉस देखेंगे। यदि आपके प्रशिक्षण सिस्टम में पहले से दूसरे ऑपरेटर हैं, तो पहले सीमित A/B परीक्षण करें।
GPU ऑपरेटर स्कोर: SOL-ExecBench 0.754 से बढ़कर 0.771
सार्वजनिक SOL-ExecBench तुलना में Recursive का संयुक्त SOL आधार स्कोर 0.754 था, जबकि Hyra रिपॉज़िटरी ने 0.771 बताया, यानी 0.017 की वृद्धि। SOL बताता है कि कार्यान्वयन बेंचमार्क द्वारा तय प्रदर्शन सीमा के कितना करीब है। यह सामान्य कोड की 77.1% शुद्धता नहीं है। Tencent ने सही परिणाम की जाँच वाले 10 उदाहरण भी जारी किए हैं, लेकिन वे पूरे बेंचमार्क डेटा सेट का विकल्प नहीं हैं।
हमारी सलाह: अनुमान गेटवे या GPU सेवाएँ बनाने वाली टीमें पहले अपने काम में वास्तविक रूप से सबसे अधिक संसाधन लेने वाले ऑपरेटर चुनें। P50/P95 विलंब, प्रसंस्करण दर, GPU मेमोरी और संख्यात्मक त्रुटि दर्ज करें। केवल एक छोटे बेंचमार्क में सबसे ऊँचा स्कोर पाना पूरी सेवा की शुरू से अंत तक की लागत कम करे, यह ज़रूरी नहीं।
Hyra SOL-ExecBench · Recursive के प्रकाशित परिणाम
क्वांटम सर्किट रूटिंग: अतिरिक्त CNOT 269,037 से घटकर 258,369
क्वांटम कंप्यूटिंग में भी ऐसे सुधार हैं जिन्हें मापा जा सकता है। जब दो क्यूबिट वास्तविक उपकरण पर पास-पास नहीं होते, तो रूटिंग एल्गोरिदम को अतिरिक्त क्रियाएँ जोड़नी पड़ती हैं। Tencent की रिपॉज़िटरी में 61 सत्यापित सर्किट हैं। Q20, Willow जैसी और Heron जैसी तीन कनेक्शन संरचनाओं पर SimpleTES के उद्धृत आधार परिणाम से तुलना दी गई है:
| उपकरण की कनेक्शन संरचना | SimpleTES आधार परिणाम | Hyra परिणाम |
|---|---|---|
| Q20 (20 क्यूबिट) | 45,441 | 37,869 |
| Willow जैसी (105 क्यूबिट) | 96,774 | 95,898 |
| Heron जैसी (156 क्यूबिट) | 126,822 | 124,602 |
| कुल अतिरिक्त CNOT | 269,037 | 258,369 |
तालिका की एक ही गणना-पद्धति के अनुसार कुल 10,668 कम CNOT लगे, यानी लगभग 4.0% की कमी। यह सर्किट मैपिंग के अतिरिक्त काम को मापता है, न कि पूरे क्वांटम कंप्यूटर की गति में 4% वृद्धि को।
हमारी सलाह: क्वांटम सर्किट कंपाइलर बनाने वाले पहले तैयार OpenQASM और कनेक्शन की शर्तें जाँचें। यदि केवल सामान्य AI चैट टूल चुनना है, तो इस उपलब्धि का रोज़मर्रा के जवाबों की गुणवत्ता से सीधा संबंध नहीं है।
क्वांटम सर्किट परियोजना · SimpleTES शोधपत्र
प्रोटीन अनुमान: HyPLM-Flash लगभग 1.3 लाख अवशेष प्रति सेकंड, HyInv में मिलीसेकंड स्तर पर बैच डिज़ाइन
ये Hyra 2.0 से बने स्वतंत्र मॉडल के आँकड़े हैं, एजेंट की शुरू से अंत तक की गति नहीं। Tencent का HyPLM-Flash एक H20 की INT8 सेटिंग पर लगभग 130,000 अवशेष प्रति सेकंड देता है। 32 कार्यों और 28 सार्वजनिक चेकपॉइंट वाली संबंधित तुलना में ProteinGym पर इसका zero-shot Spearman सहसंबंध 0.409 बताया गया है, जो समान पैमाने के कुछ प्रोटीन एन्कोडर के करीब है। यह सूचक सहसंबंध मापता है, वर्गीकरण की सटीकता नहीं।
HyInv ने H20 पर लगभग 148 लंबाई वाले 128 प्रोटीन डिज़ाइन का बैच बनाते समय अनुकूलित BF16 मार्ग के लिए करीब 25 मिलीसेकंड और संदर्भ कार्यान्वयन के लिए करीब 999 मिलीसेकंड बताए हैं। लेकिन इस समय में पहली कंपाइलिंग और CUDA Graph कैप्चर शामिल नहीं हैं। अनुकूलित मार्ग और FP32 संदर्भ मार्ग में संख्यात्मक अंतर भी है, इसलिए केवल गति देखकर बदलने का फैसला नहीं करना चाहिए।
हमारी सलाह: जीवविज्ञान शोध टीमों को गुणवत्ता, बैच प्रसंस्करण दर और दोहराव की क्षमता अलग-अलग जाँचनी चाहिए। यदि अक्सर केवल एक छोटा क्रम संसाधित होता है, तो पहले अनुरोध का विलंब मापें। बड़े ऑफ़लाइन काम में ही प्रति सेकंड अवशेषों को प्राथमिकता दें। साथ ही, क्रम का स्कोर प्रयोगशाला सत्यापन की जगह नहीं ले सकता।
Hunyuan Hyra 2.0 की Recursive, SimpleTES, TTT-Discover और AlphaEvolve से तुलना
यहाँ तुलना शोध को स्वचालित करने वाले सिस्टम या शोध फ़्रेमवर्क की है। ये चार ऐसे “बातचीत मॉडल” नहीं हैं जिन्हें एक ही चैट इंटरफ़ेस में सीधे आपस में बदला जा सके। जहाँ साझा कार्य हैं, हम उन्हीं के आँकड़े लेते हैं। जहाँ एक जैसी जाँच नहीं है, वहाँ केवल कार्यपद्धति और उपयोग की स्थितियाँ देखते हैं।
Recursive से तुलना: समान स्वचालित AI शोध कार्यों पर Hyra ने आगे के सुधार प्रकाशित किए
Recursive का First Steps Toward Automated AI Research काफी सीधा संदर्भ है। इसमें तय बजट पर छोटे मॉडल का प्रशिक्षण, प्रशिक्षण गति और GPU ऑपरेटर सुधार के परिणाम हैं। Hyra ने अपने सार्वजनिक फ़ोल्डर में इन्हीं आधार परिणामों से आगे तुलना की है:
| सूचक | Recursive का सार्वजनिक आधार परिणाम | Hyra का प्रकाशित परिणाम | बेहतर दिशा |
|---|---|---|---|
| NanoChat सत्यापन BPB | 0.9109 | 0.9015 | कम बेहतर |
| NanoGPT प्रशिक्षण समय | 77.5 सेकंड | 76.4 सेकंड | कम बेहतर |
| SOL-ExecBench स्कोर | 0.754 | 0.771 | अधिक बेहतर |
हम मानते हैं कि Hyra ने इन सार्वजनिक कार्यों के सूचकों को और बेहतर करने की क्षमता दिखाई है। फिर भी अलग-अलग संस्थानों के प्रयोगों में कोड, हार्डवेयर और स्कोर देने वाला तंत्र ध्यान से जाँचना चाहिए। काम के अनुसार सलाह: यदि टीम प्रशिक्षण एल्गोरिदम या GPU प्रदर्शन पर शोध कर रही है, तो दोनों रिपॉज़िटरी के प्रयोग दोहराकर तुलना कर सकती है। यदि केवल ग्राहक सहायता या लेखन का तैयार API चाहिए, तो इन स्कोरों के कारण रोज़ इस्तेमाल होने वाला मॉडल बदलना ज़रूरी नहीं।
Hyra रिकॉर्ड · Recursive के शोध परिणाम
SimpleTES से तुलना: दोनों वस्तुनिष्ठ स्कोर पर निर्भर हैं, सार्वजनिक क्वांटम रूटिंग में Hyra को कम गेट चाहिए
SimpleTES इस चक्र को बड़े पैमाने पर चलाने का अध्ययन करता है: “संभावित समाधान बनाना, अपने आप मूल्यांकन करना और खोज जारी रखना।” इसका शोधपत्र 6 क्षेत्रों के 21 शोध कार्यों को समेटता है और क्वांटम सर्किट रूटिंग जैसे नतीजे देता है। तीन तरह की हार्डवेयर कनेक्शन संरचनाओं की सार्वजनिक तुलना में Hyra ने अतिरिक्त CNOT की कुल संख्या 269,037 से 258,369 की। इस पहलू में Hyra ने और बेहतर संभावित समाधान दिया है।
लेकिन “एक कार्य में बेहतर” को “पूरा शोध सिस्टम हर तरह से आगे” नहीं कहना चाहिए। SimpleTES की ताकत प्रयोग मूल्यांकन और विस्तार रणनीति का अधिक व्यवस्थित विवरण है। इससे शोध सुधार की प्रक्रिया बनाना सीखा जा सकता है। काम के अनुसार सलाह: अपना स्वचालित प्रयोग प्लेटफ़ॉर्म बनाना हो तो पहले SimpleTES की विधि पढ़ें। क्वांटम रूटिंग के ठोस सुधार देखने हों तो Hyra की OpenQASM फ़ाइलें देखें।
SimpleTES मूल शोधपत्र · Hyra के क्वांटम रूटिंग परिणाम
TTT-Discover से तुलना: TTT-Discover हल करते समय सीखता रहता है, Hyra ने बाद के गणितीय सुधार दिखाए
TTT-Discover की खासियत है कि मॉडल किसी विशेष शोध कार्य को हल करते हुए सीखना जारी रखता है। वह केवल एक स्थिर मॉडल को बार-बार प्रॉम्प्ट नहीं देता। इसका शोधपत्र गणित, GPU ऑपरेटर और जैविक विश्लेषण जैसी खोजों के साथ दोहराने योग्य कोड देता है। Hyra रिपॉज़िटरी स्वसहसंबंध स्थिरांक का पिछला रिकॉर्ड 1.502870 उद्धृत करती है और अपने परिणाम 1.502850 तक पहुँचने की बात कहती है। अंतर छोटा है, लेकिन सटीक संख्यात्मक सीमाओं वाले गणितीय सुधार का महत्व केवल प्रतिशत से नहीं आँका जा सकता।
दोनों की विधियों और प्रयोग बजट की पूरी सार्वजनिक तुलना एक समान आधार पर उपलब्ध नहीं है। काम के अनुसार सलाह: यदि अध्ययन करना है कि मॉडल किसी खास कार्य में लगातार कैसे सीखता है, तो पहले TTT-Discover देखें। यदि परिणामों को कोड, संख्यात्मक साक्ष्य और शोध दस्तावेज़ के रूप में प्रस्तुत करना सीखना है, तो Hyra के परिणामों का संगठन उपयोगी है।
TTT-Discover शोधपत्र · Hyra के गणितीय परिणाम
Google AlphaEvolve से तुलना: एक में सत्यापित शोध परिणाम प्रमुख हैं, दूसरे के बड़े वास्तविक उपयोग मौजूद हैं
Google DeepMind का AlphaEvolve भी बेहतर एल्गोरिदम खोजने के लिए भाषा मॉडल को स्वचालित मूल्यांकन से जोड़ता है। Google ने डेटा सेंटर शेड्यूलिंग, चिप डिज़ाइन और मॉडल प्रशिक्षण में वास्तविक उपयोग बताए हैं। उदाहरण के लिए, डेटा सेंटर में औसतन लगभग 0.7% कंप्यूटिंग संसाधन वापस उपलब्ध हुए। यह चालू उत्पादन व्यवस्था का उदाहरण है, Hyra का उसी काम वाला बेंचमार्क नहीं। इसलिए हम दोनों के आँकड़े एक तालिका में रखकर श्रेष्ठता तय नहीं करते।
Hyra में सार्वजनिक गणित, क्वांटम और प्रोटीन शोध परिणाम देखने लायक हैं। AlphaEvolve में प्रयोग के सुधार को वास्तविक आधारभूत व्यवस्था तक पहुँचाने का अनुभव उपयोगी है। काम के अनुसार सलाह: यदि आप वास्तविक ऑनलाइन सेवा चलाते हैं, तो AlphaEvolve से उत्पादन में जाँच और लंबे समय के लाभ की गणना सीखें। यदि जाँचे जा सकने वाले शोध परिणाम प्रस्तुत करना सीखना है, तो Hyra के विषयवार फ़ोल्डर किसी खास प्रयोग को दोहराने की शुरुआत आसान बनाते हैं।
Google DeepMind AlphaEvolve · AlphaEvolve के वास्तविक उपयोग की प्रगति
Hunyuan Hyra 2.0 API के आम सवाल
API Hop की मॉडल सूची में hyra-2.0 क्यों नहीं मिलता?
क्योंकि वर्तमान सार्वजनिक मॉडल सूची में Hyra 2.0 को कॉल किए जा सकने वाले टेक्स्ट मॉडल के रूप में नहीं रखा गया है। यदि API Hop में hyra-2.0 का समर्थन आता है, तो हम तुरंत जानकारी अपडेट करेंगे।
साझा Chat Completions दस्तावेज़ · Hyra के परिणामों की रिपॉज़िटरी
HyInv और HyPLM-Flash को प्रोग्राम से कैसे इस्तेमाल कर सकते हैं?
Hyra 2.0 से प्रशिक्षित इन दो स्वतंत्र मॉडलों के ठोस उपयोग तरीके हैं, लेकिन यह Hyra Agent API को कॉल करने के बराबर नहीं है। HyInv CLI और Python का समर्थन करता है, जैसे:
# HyInv इंस्टॉल किए हुए वातावरण में चलाएँ; structure.pdb उपयोगकर्ता की संरचना फ़ाइल है
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fastaHyPLM-Flash Python एन्कोडिंग इंटरफ़ेस देता है, जैसे:
from hyplm import HyPLMEncoder
# पहले परियोजना के निर्देशों के अनुसार वेट डाउनलोड, मर्ज और सत्यापित करें
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")हम इन्हें स्वतंत्र सेवा की तरह तैनात करने की सलाह देते हैं। पहले रिपॉज़िटरी में बताई निर्भरताएँ इंस्टॉल करें और छोटे नमूने पर इनपुट-आउटपुट जाँचें। HyPLM-Flash का तेज़ कार्यान्वयन CUDA, Triton और संबंधित GPU वातावरण पर भी निर्भर है। हर CPU या ग्राफ़िक्स कार्ड पर आधिकारिक प्रसंस्करण दर मिलने की धारणा न बनाएँ।
HyInv इंस्टॉलेशन और उपयोग · HyPLM-Flash इंस्टॉलेशन और उपयोग
दोहराने पर वही परिणाम क्यों नहीं मिलते, और लागत कैसे आँकें?
सबसे पहले मॉडल अनुमान, प्रशिक्षण दोहराने और पूरे शोध एजेंट की लागत अलग रखें। सार्वजनिक nanochat रिकॉर्ड एक B200 का है, जबकि nanoGPT Speedrun आठ H100 इस्तेमाल करता है। उनके डेटा, ड्राइवर, निर्भरताएँ और सत्यापन सेटिंग मेल खानी चाहिए। समान कोड होने पर भी GPU क्लॉक, कंपाइल कैश, लोड और यादृच्छिकता अंतिम सूचकों को बदल सकते हैं। HyInv के तेज़ परीक्षण में साफ लिखा है कि पहली Triton कंपाइलिंग और CUDA Graph कैप्चर का समय शामिल नहीं है।
इसलिए हम तीन तरह के सूचक देखते हैं: गुणवत्ता लक्ष्य पूरा करती है या नहीं, कुल कार्य समय और हर सत्यापित परिणाम के लिए कितने संसाधन लगे। प्रशिक्षण में GPU घंटे और कम से कम तीन रन का औसत दर्ज करें। ऑनलाइन अनुमान में पहले अनुरोध का विलंब, स्थिर प्रसंस्करण दर, GPU मेमोरी और विफलता दर अलग-अलग दर्ज करें। शोध एजेंट में असफल प्रयोग और मानवीय जाँच का समय भी जोड़ें। अभी Hyra 2.0 के सामान्य API की सत्यापित कीमत उपलब्ध नहीं है, इसलिए हम अनुमान से प्रति टोकन कीमत नहीं लिखते।
Hyra nanochat दोहराने के निर्देश · nanoGPT Speedrun दोहराने के निर्देश