Hunyuan Hyra 2.0: dari riset otomatis hingga desain protein, hasil eksperimen dan panduan API

Apa itu Hunyuan Hyra 2.0?

Hyra 2.0 adalah agen riset otomatis Tencent Hunyuan, bukan model percakapan biasa

Model percakapan menjawab pertanyaan. Agen riset perlu mengerjakan masalah yang bisa diuji sampai menghasilkan sesuatu yang dapat diperiksa. Tencent menyebut Hyra sebagai Hunyuan Research Agent. Hasil publiknya mencakup pelatihan model kecil, operator GPU, masalah matematika, rangkaian kuantum, pemodelan protein, dan algoritme prediksi.

Sebagai contoh, alat percakapan biasa bisa menjelaskan “cara mempercepat pelatihan”. Tujuan agen riset lebih dekat dengan “mengubah skrip pelatihan, menjalankan eksperimen, mendapatkan metrik baru, serta menyimpan kode dan log yang bisa diperiksa”. Menurut kami, memahami Hyra bukan terutama soal seberapa alami percakapannya, melainkan apakah solusinya dapat direproduksi, melampaui acuan sebelumnya, dan sepadan dengan sumber daya komputasi yang digunakan.

Repositori publik Tencent Hyra-results terutama menyimpan solusi akhir dan sebagian skrip reproduksi. Penjadwalan riset, strategi pencarian, dan model dasar agen belum diungkapkan secara lengkap. Repositori hasil Hyra

Riset berdasarkan umpan balik eksperimen: menghubungkan kode, penilaian, dan verifikasi

Hasil publik Hyra memiliki satu ciri yang sama: masalahnya biasanya mempunyai sasaran yang dapat dihitung. Misalnya, loss validasi setelah pelatihan harus lebih rendah, waktu pelatihan pada akurasi yang sama harus lebih singkat, atau jumlah gerbang tambahan pada rangkaian kuantum harus lebih sedikit. Dengan begitu, ide yang baik tidak berhenti pada penjelasan yang terdengar masuk akal, tetapi bisa menjadi kode, catatan eksekusi, atau bahan pembuktian.

Kami menyarankan memahami cara kerja ini sebagai empat langkah yang dapat diperiksa: menetapkan metrik sasaran, menghasilkan kandidat solusi, menilainya di lingkungan eksternal, lalu menyimpan hasil yang lolos verifikasi. Ini adalah pola kerja yang kami simpulkan dari hasil publik, bukan pernyataan bahwa Tencent telah membuka seluruh arsitektur internal Hyra 2.0.

Bagi pengguna umum, contoh paling mudah adalah “bantu kami mempercepat program yang sudah bisa berjalan”. Syaratnya, kita menyediakan data uji, lingkungan eksekusi, dan kriteria keberhasilan yang jelas. Permintaan “buat algoritmenya lebih baik” saja tidak cukup untuk menjelaskan apa yang dianggap berhasil, sekalipun modelnya sangat kuat.

Hyra 2.0 telah menghasilkan model protein, tetapi hasilnya bukan agen itu sendiri

Saat pemeriksaan ini dilakukan, Tencent telah merilis dua proyek yang patut diperhatikan. HyInv adalah model pelipatan balik protein dengan sekitar 1,96 juta parameter, yang menghasilkan urutan asam amino dari struktur kerangka protein. HyPLM-Flash adalah model bahasa protein dengan sekitar 650 juta parameter, untuk representasi urutan protein dan tugas prediksi terkait. README kedua proyek menyatakan bahwa model tersebut dilatih oleh Hyra 2.0.

Perbedaannya perlu jelas: HyInv dan HyPLM-Flash adalah model mandiri yang kode dan bobotnya bisa diunduh lalu dijalankan sesuai petunjuk. Keduanya bukan model percakapan umum bernama hyra-2.0. Masing-masing menangani desain urutan dari struktur serta pengodean urutan dan analisis lanjutan. Bagi peneliti, ini lebih nyata daripada sekadar klaim “AI bisa melakukan riset”, karena ada tugas tertentu yang dapat mulai direproduksi.

Materi proyek: README HyInv · README HyPLM-Flash

Fungsi utama dan keunggulan Hunyuan Hyra 2.0

Riset AI otomatis: mengoptimalkan pelatihan model kecil, bukan sekadar memberi saran

Menurut kami, salah satu manfaat awal Hyra adalah mencari pengaturan pelatihan secara otomatis. Proyek nanochat_autoresearch menyediakan train.py, skrip eksekusi, dan log pelatihan lengkap. Konfigurasi publik menggunakan satu NVIDIA B200 dengan batas waktu pelatihan sekitar 300 detik, dan mencapai BPB validasi 0,901543. Secara sederhana, BPB adalah metrik loss untuk menilai prediksi teks; pada tugas ini, nilai yang lebih rendah lebih baik.

Bagi pengembang, hasil tersebut bukan sekadar kiat penyetelan yang umum. Ada perubahan nyata pada jendela atensi, pengaturan optimizer, fitur n-gram tambahan, dan jadwal pelatihan. Kami lebih menyarankan mempelajari perubahan yang bisa direproduksi tersebut, lalu menilai kecocokannya dengan model sendiri, daripada langsung menyalin pengaturan untuk skala data yang sama sekali berbeda. Eksperimen nanochat

Optimasi operator GPU: peningkatan kecepatan dalam implementasi yang bisa dijalankan

Optimasi GPU mudah menimbulkan salah persepsi: kode terlihat lebih canggih, tetapi justru lebih lambat atau salah menghitung sebagian masukan. Hyra menyediakan beberapa hasil pengajuan nyata dalam SOL-ExecBench, termasuk atensi, distribusi MoE, perkalian matriks, dan operator tahap inferensi. Direktori publik memuat 10 contoh yang lolos pemeriksaan kebenaran hasil, masing-masing disertai nomor pengajuan, latensi, dan skor.

Kami sangat menghargai pencatatan status pemeriksaan kebenaran tersebut. Contohnya, satu implementasi Flash/GQA attention mencatat latensi 0,177612 milidetik. Namun, angka itu hanya berlaku untuk tugas dan perangkat keras yang diuji, bukan berarti semua model dapat menghitung atensi secepat itu. Untuk tim layanan inferensi, kami menyarankan menetapkan bentuk masukan, presisi, perangkat keras, dan versi compiler terlebih dahulu, lalu membandingkan latensi serta kesesuaian keluaran sebelum dan sesudah optimasi.

Hasil operator GPU

Penemuan matematika: dari kandidat jawaban menjadi bukti yang dapat diperiksa

Matematika adalah bidang lain yang menarik bagi agen riset. Repositori Hyra mencatat hasil dalam geometri, kombinatorika, dan pertidaksamaan operator. Misalnya, batas bawah volume benda cembung berlebar tetap dalam tiga dimensi meningkat dari sekitar 0,380799 menjadi 0,411040. Penjelasan yang ditambahkan pada 2 November 2026 juga melaporkan hasil untuk dugaan titik berjarak sama Petty dalam lima dimensi serta contoh penyangkal dugaan aksi lingkaran Yau pada kasus yang tidak terhubung sederhana.

Hasil-hasil ini tidak boleh diartikan sebagai “AI sudah menyelesaikan semua dugaan matematika”. Yang lebih penting adalah cakupan pembuktian, bagian yang benar-benar telah diverifikasi secara formal, dan apakah masih diperlukan penelaahan oleh matematikawan lain. Untuk penelitian serius, kami menyarankan menyimpan pernyataan teorema asli, seluruh asumsi, berkas bukti, dan catatan pemeriksaan independen sebelum mengutipnya.

Direktori hasil matematika

Desain protein: HyInv mengubah struktur menjadi kandidat urutan asam amino

HyInv menangani tugas khusus: peneliti sudah memiliki struktur rantai utama protein dan ingin merancang urutan yang mungkin cocok dengan kerangkanya. Model ini menyediakan antarmuka baris perintah dan Python, termasuk pembacaan berkas struktur PDB, pemilihan rantai, penguncian posisi tertentu, dan pembuatan beberapa kandidat dengan seed acak. Bobot publik berukuran sekitar 7,8 MB, dan implementasi acuan dapat berjalan di CPU atau GPU.

Bagi tim bioteknologi, manfaatnya adalah mengotomatiskan langkah berulang untuk menghasilkan kandidat urutan. Namun, “menghasilkan urutan” tidak sama dengan “menemukan obat yang efektif”. Kandidat masih membutuhkan verifikasi struktur, stabilitas, dan eksperimen. Kami menyarankan memulai dengan beberapa struktur publik untuk memeriksa format dan keluaran, menyaringnya melalui proses penilaian struktur milik tim, lalu masuk ke tahap eksperimen.

Proyek HyInv dan petunjuk eksekusi

Analisis urutan protein: HyPLM-Flash untuk pengodean batch dan prediksi lanjutan

Peran HyPLM-Flash berbeda dari HyInv. Model ini menerima urutan protein, menghasilkan representasi vektor per residu atau untuk seluruh urutan, serta menyediakan logits untuk penilaian mutasi. Implementasi Tencent mencakup mesin inferensi INT8 dengan laju pemrosesan sekitar 130.000 residu per detik pada satu H20. Angka ini berasal dari lingkungan resmi yang ditentukan, bukan jaminan kecepatan pada semua kartu grafis.

Kami menyarankan memandangnya sebagai “alat pengekstrak fitur urutan” dalam sistem riset. Misalnya, kodekan protein secara batch, lalu kirim vektornya ke program klasifikasi, pengelompokan, atau prediksi sifat milik sendiri. Bagi pengembang umum, memahami bahwa masukannya adalah urutan asam amino dan keluarannya berupa vektor lebih berguna daripada terpaku pada 650 juta parameter. Bagi peneliti, bandingkan akurasi, jumlah pemrosesan per batch, dan waktu mulai awal untuk memilih antara INT8 dan BF16.

Proyek HyPLM-Flash

Tolok ukur dan performa Hunyuan Hyra 2.0

Bagian ini memakai data eksperimen per tugas yang dipublikasikan Tencent. Angka-angka ini bukan peringkat model percakapan Hyra 2.0 dengan satu metode pengukuran yang seragam. Sebagian mencatat penemuan sistem riset Hyra, sementara yang lain menilai model mandiri yang dilatih Hyra 2.0. Apakah hasilnya bisa diterapkan pada bisnis sendiri tetap bergantung pada lingkungan pengujian dan acuan pembanding.

Kualitas pelatihan model bahasa: BPB validasi nanochat turun dari 0,9109 menjadi 0,9015

Repositori Tencent membandingkan hasilnya dengan catatan sejenis dari Recursive. Acuan sebelumnya adalah 0,9109 BPB, sedangkan Hyra mencapai sekitar 0,9015 BPB, dengan selisih absolut sekitar 0,0094. Catatan persis Hyra adalah 0,901543, dijalankan pada 1× B200, dengan waktu pelatihan sekitar 300,1 detik dan waktu total termasuk persiapan serta evaluasi sekitar 348,4 detik. Peningkatan ini berarti loss validasi lebih rendah, bukan kenaikan akurasi tanya jawab umum yang setara.

Saran kami: tim yang mengoptimalkan pelatihan model kecil bisa menjadikan proyek ini sebagai eksperimen reproduksi sambil memeriksa memori GPU, persiapan data, dan metode validasi. Untuk pelatihan komersial, tetap lihat metrik pada dataset sendiri dan biaya akhir. Jangan menganggap manfaat pengujian lima menit berlaku pada semua ukuran model.

Catatan nanochat Hyra · Acuan Recursive

Kecepatan pelatihan: nanoGPT Speedrun turun dari sekitar 77,5 menjadi 76,435 detik

Pada eksperimen nanoGPT Speedrun, skrip publik Hyra memakai FP8 untuk operasi matriks besar dan menyesuaikan rencana pelatihan. Repositori menyimpan tiga eksekusi: 76,431, 76,467, dan 76,408 detik, dengan rata-rata 76,435 detik dan loss validasi rata-rata sekitar 3,28007. Dibandingkan acuan sekitar 77,5 detik yang dikutip repositori, waktunya berkurang sekitar 1,1 detik, atau 1,4%.

Hasil ini memiliki syarat yang ketat: 8× H100, versi CUDA, PyTorch, dan Triton yang sesuai, serta dataset yang sama. Loss rata-rata membulat menjadi 3,280. Angka 3,280 yang ditampilkan tidak berarti setiap eksperimen benar-benar berada di bawah 3,280.

Saran kami: pertimbangkan optimasi FP8 ini sebagai kandidat peningkatan hanya jika lingkungan pelatihan cukup mirip. Kami akan mereproduksinya setidaknya tiga kali untuk membandingkan rata-rata, variasi, dan loss akhir. Jika sistem sudah memakai implementasi operator lain, mulai dengan pengujian A/B berskala kecil.

Tiga eksperimen nanoGPT Hyra

Skor operator GPU: SOL-ExecBench naik dari 0,754 menjadi 0,771

Dalam perbandingan publik SOL-ExecBench, skor SOL gabungan acuan Recursive adalah 0,754, sedangkan repositori Hyra melaporkan 0,771, naik 0,017. SOL mengukur seberapa dekat implementasi dengan batas performa yang ditetapkan tolok ukur tersebut. Ini bukan tingkat kebenaran kode umum sebesar 77,1%. Tencent juga merilis 10 contoh dengan pemeriksaan kebenaran hasil, tetapi contoh-contoh itu bukan pengganti seluruh dataset pengujian.

Saran kami: tim gateway inferensi atau layanan GPU sebaiknya lebih dulu menguji operator yang benar-benar menyerap banyak sumber daya di layanan mereka, lalu mencatat latensi P50/P95, laju pemrosesan, memori GPU, dan galat numerik. Mengejar skor tertinggi pada satu pengujian kecil belum tentu menurunkan biaya layanan secara keseluruhan.

Hyra SOL-ExecBench · Hasil publik Recursive

Perutean rangkaian kuantum: CNOT tambahan turun dari 269.037 menjadi 258.369

Komputasi kuantum juga memiliki tugas optimasi yang dapat diukur. Jika dua qubit tidak bertetangga pada perangkat fisik, algoritme perutean harus menambahkan operasi. Repositori Tencent mencatat 61 rangkaian yang telah diverifikasi, dengan perbandingan terhadap acuan yang dikutip SimpleTES pada tiga topologi: Q20, tipe Willow, dan tipe Heron.

Dengan metode perhitungan yang sama pada tabel, ada 10.668 CNOT lebih sedikit, atau pengurangan sekitar 4,0%. Ini mengukur beban tambahan pemetaan rangkaian, bukan peningkatan kecepatan seluruh komputer kuantum sebesar 4%.

Saran kami: untuk kompilasi rangkaian kuantum, periksa lebih dulu OpenQASM yang dihasilkan dan batasan konektivitas. Jika tujuannya hanya memilih alat percakapan AI umum, hasil ini tidak berkaitan langsung dengan kualitas jawaban sehari-hari.

Proyek rangkaian kuantum · Makalah SimpleTES

Inferensi protein: HyPLM-Flash sekitar 130.000 residu per detik, HyInv mendesain batch dalam milidetik

Angka ini berasal dari model mandiri yang dihasilkan Hyra 2.0, bukan kecepatan agen dari awal hingga akhir. Tencent melaporkan HyPLM-Flash memproses sekitar 130.000 residu per detik pada satu H20 dengan konfigurasi INT8. Dalam perbandingan pendamping yang mencakup 32 tugas dan 28 checkpoint publik, korelasi Spearman zero-shot pada ProteinGym adalah 0,409, secara statistik mendekati beberapa encoder protein dengan ukuran sebanding. Metrik ini mengukur korelasi, bukan akurasi klasifikasi.

HyInv melaporkan bahwa pembuatan batch 128 desain protein dengan panjang sekitar 148 pada H20 membutuhkan sekitar 25 milidetik melalui jalur BF16 yang dioptimalkan dan 999 milidetik pada implementasi acuan. Namun, waktu tersebut tidak mencakup kompilasi pertama dan penangkapan CUDA Graph. Jalur yang dioptimalkan juga memiliki perbedaan numerik dari acuan FP32, sehingga keputusan penggantian tidak boleh didasarkan pada kecepatan saja.

Saran kami: tim riset biologi perlu menilai kualitas, laju pemrosesan batch, dan kemampuan reproduksi secara terpisah. Layanan yang sering hanya memproses satu urutan pendek sebaiknya mengukur latensi permintaan pertama lebih dulu. Residu per detik lebih penting bagi pekerjaan offline dalam jumlah besar. Penilaian urutan juga tidak menggantikan verifikasi eksperimen laboratorium.

HyPLM-Flash · HyInv

Perbandingan Hunyuan Hyra 2.0 dengan Recursive, SimpleTES, TTT-Discover, dan AlphaEvolve

Yang dibandingkan di sini adalah sistem otomatisasi riset atau kerangka penelitian, bukan empat “model percakapan” yang dapat langsung saling menggantikan pada antarmuka yang sama. Kami memakai angka dari tugas yang sama bila tersedia. Jika tidak ada pengujian yang seragam, kami hanya membandingkan cara kerja dan kegunaannya.

Dibandingkan Recursive: Hyra memublikasikan peningkatan pada tugas riset AI otomatis yang sejenis

First Steps Toward Automated AI Research dari Recursive adalah acuan yang cukup langsung. Karya ini memublikasikan hasil pelatihan model kecil dengan anggaran tetap, kecepatan pelatihan, dan optimasi operator GPU. Hyra memakai hasil tersebut sebagai pembanding dalam direktori publiknya:

Menurut kami, Hyra menunjukkan kemampuan memperbaiki metrik pada tugas-tugas publik tersebut. Namun, eksperimen lintas organisasi tetap memerlukan pemeriksaan kode, perangkat keras, dan alat penilai secara teliti. Saran penggunaan: tim yang meneliti algoritme pelatihan atau performa GPU dapat mencoba mereproduksi kedua repositori berdampingan. Jika hanya membutuhkan API siap pakai untuk layanan pelanggan atau penulisan, skor ini bukan alasan untuk mengganti model sehari-hari.

Catatan Hyra · Hasil riset Recursive

Dibandingkan SimpleTES: keduanya memakai penilaian objektif, Hyra menambah lebih sedikit gerbang pada tugas perutean kuantum publik

SimpleTES meneliti cara memperbesar siklus “kandidat solusi, evaluasi otomatis, pencarian lanjutan”. Makalahnya mencakup 21 tugas riset dalam 6 bidang, termasuk hasil perutean rangkaian kuantum. Pada perbandingan publik di tiga topologi perangkat keras, Hyra menurunkan total CNOT tambahan dari 269.037 menjadi 258.369. Dari sisi ini, Hyra menawarkan kandidat solusi yang lebih baik.

Namun, unggul pada satu tugas tidak berarti seluruh sistem riset unggul dalam semua hal. Kekuatan SimpleTES adalah penjelasan yang lebih sistematis tentang evaluasi eksperimen dan strategi perluasan, sehingga berguna untuk mempelajari alur optimasi riset. Saran penggunaan: jika ingin merancang platform eksperimen otomatis sendiri, mulai dengan metode SimpleTES. Untuk melihat hasil optimasi perutean kuantum yang konkret, pelajari berkas OpenQASM Hyra.

Makalah asli SimpleTES · Hasil perutean kuantum Hyra

Dibandingkan TTT-Discover: belajar selama menyelesaikan tugas dan catatan perbaikan matematika lanjutan dari Hyra

Ciri TTT-Discover adalah model terus belajar saat menyelesaikan tugas riset tertentu, bukan hanya berulang kali menerima prompt dengan parameter tetap. Makalahnya melaporkan penemuan dalam matematika, operator GPU, dan analisis biologi, serta menyediakan kode yang dapat direproduksi. Repositori Hyra mengutip catatan sebelumnya untuk konstanta autokorelasi sebesar 1,502870, lalu melaporkan perbaikan menjadi 1,502850. Selisihnya kecil, tetapi untuk optimasi matematika yang memerlukan batas numerik presisi, nilai riset tidak dapat dinilai dari besar persentase saja.

Belum ada perbandingan publik lengkap yang menyamakan metode dan anggaran eksperimen keduanya. Saran penggunaan: untuk mempelajari bagaimana model terus belajar pada tugas tertentu, lihat TTT-Discover lebih dulu. Untuk mempelajari bagaimana hasil riset diwujudkan menjadi kode, bukti numerik, dan bahan makalah, lihat cara Hyra menyusun hasilnya.

Makalah TTT-Discover · Hasil matematika Hyra

Dibandingkan Google AlphaEvolve: hasil riset yang dapat diverifikasi dan pengalaman penerapan produksi berskala besar

AlphaEvolve dari Google DeepMind juga menggabungkan model bahasa dengan evaluator otomatis untuk mencari algoritme yang lebih baik. Google menjelaskan penerapan nyata pada penjadwalan pusat data, desain chip, dan pelatihan model, termasuk pemulihan rata-rata sekitar 0,7% sumber daya komputasi pusat data. Ini adalah contoh di lingkungan produksi, bukan pengujian pada tugas yang sama dengan Hyra. Kami tidak menempatkan kedua angka dalam satu tabel untuk memaksakan peringkat.

Bagian menarik dari Hyra adalah hasil riset matematika, kuantum, dan protein yang terbuka. AlphaEvolve menawarkan pengalaman membawa optimasi eksperimen ke infrastruktur produksi. Saran penggunaan: jika mengelola layanan online nyata, pelajari validasi produksi dan perhitungan manfaat jangka panjang yang ditekankan AlphaEvolve. Jika ingin belajar menyajikan hasil riset yang dapat diperiksa, direktori Hyra berdasarkan bidang memudahkan Anda menemukan satu eksperimen untuk direproduksi.

Google DeepMind AlphaEvolve · Perkembangan penerapan AlphaEvolve

Pertanyaan umum tentang API Hunyuan Hyra 2.0

Mengapa hyra-2.0 tidak muncul dalam daftar model API Hop?

Karena katalog model publik saat ini belum mencantumkan Hyra 2.0 sebagai model teks yang dapat dipanggil. Jika API Hop mendukung hyra-2.0, kami akan segera mengumumkannya.

Dokumentasi Chat Completions terpadu · Repositori hasil Hyra

Bagaimana cara memanggil HyInv dan HyPLM-Flash melalui program?

Kedua model mandiri yang dilatih Hyra 2.0 ini memiliki antarmuka yang jelas, tetapi penggunaannya tidak sama dengan memanggil API agen Hyra. HyInv mendukung CLI dan Python, misalnya:

# Jalankan di lingkungan yang sudah memasang HyInv; structure.pdb adalah berkas struktur dari pengguna
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash menyediakan antarmuka pengodean Python, misalnya:

from hyplm import HyPLMEncoder

# Unduh, gabungkan, dan verifikasi bobot terlebih dahulu sesuai petunjuk proyek
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

Kami menyarankan menerapkan keduanya sebagai layanan mandiri, memasang dependensi yang ditentukan repositori, lalu memeriksa masukan dan keluaran dengan sampel kecil. Implementasi HyPLM-Flash yang dipercepat juga membutuhkan CUDA, Triton, dan lingkungan GPU yang sesuai. Jangan menganggap semua CPU atau kartu grafis dapat mencapai laju pemrosesan resmi.

Pemasangan dan pemanggilan HyInv · Pemasangan dan pemanggilan HyPLM-Flash

Mengapa hasil reproduksi berbeda, dan bagaimana menilai biayanya?

Pisahkan lebih dulu biaya inferensi model, reproduksi pelatihan, dan agen riset lengkap. Catatan publik nanochat menggunakan satu B200, sedangkan nanoGPT Speedrun menggunakan delapan H100. Keduanya membutuhkan data, driver, dependensi, dan pengaturan validasi yang sesuai. Kode yang sama pun bisa menghasilkan metrik berbeda karena clock GPU, cache kompilasi, beban, dan unsur acak. Pengujian percepatan HyInv juga secara jelas tidak memasukkan kompilasi Triton pertama dan penangkapan CUDA Graph.

Karena itu, kami menilai tiga hal: apakah kualitas memenuhi sasaran, berapa lama seluruh tugas berjalan, dan berapa sumber daya yang diperlukan untuk setiap hasil yang lolos verifikasi. Untuk pelatihan, catat jam GPU dan rata-rata setidaknya tiga eksekusi. Untuk inferensi online, ukur latensi permintaan pertama, laju pemrosesan saat stabil, penggunaan memori GPU, dan tingkat kegagalan secara terpisah. Untuk agen riset, hitung juga eksperimen gagal dan waktu pemeriksaan manusia. Saat ini belum ada harga API umum Hyra 2.0 yang dapat diverifikasi, sehingga kami tidak akan mengarang tarif per token.

Petunjuk reproduksi nanochat Hyra · Petunjuk reproduksi nanoGPT Speedrun