Che cos’è Hunyuan Hyra 2.0?
Hyra 2.0 è l’agente di ricerca automatizzata di Tencent Hunyuan, non un normale modello di chat
Un modello di chat risponde alle domande. Un agente di ricerca porta avanti un problema verificabile fino a ottenere un risultato. Tencent chiama Hyra Hunyuan Research Agent. I lavori pubblicati riguardano l’addestramento di piccoli modelli, operatori GPU, problemi matematici, circuiti quantistici, modellazione delle proteine e algoritmi di previsione.
Per esempio, un normale strumento di chat può spiegare come velocizzare l’addestramento. Un agente di ricerca punta invece a modificare lo script, eseguire esperimenti, ottenere nuove misure e lasciare codice e registri controllabili. Per capire Hyra, secondo noi conta meno la naturalezza della conversazione e più la possibilità di riprodurre le soluzioni, superare i risultati di riferimento e giustificare le risorse di calcolo impiegate.
Il repository pubblico Hyra-results di Tencent contiene soprattutto soluzioni finali e alcuni script per riprodurle. Non rende pubblici in modo completo la pianificazione della ricerca, la strategia di esplorazione o i modelli alla base dell’agente. Repository dei risultati Hyra
Usare i risultati degli esperimenti: collegare codice, valutazione e verifica
I risultati pubblici di Hyra hanno un elemento comune: i problemi presentano spesso un obiettivo misurabile. È meglio ridurre la perdita di validazione dopo l’addestramento, accorciare i tempi a parità di accuratezza o aggiungere meno porte a un circuito quantistico. Così una buona idea può diventare codice concreto, un registro di esecuzione o una dimostrazione, invece di fermarsi a una spiegazione plausibile.
Suggeriamo di leggere questo metodo come quattro passaggi verificabili: definire la metrica obiettivo, generare soluzioni candidate, valutarle in un ambiente esterno e salvare i risultati confermati. È un modo di lavorare che deduciamo dai materiali pubblici. Non significa che Tencent abbia pubblicato l’intera architettura interna di Hyra 2.0.
Un esempio facile da capire è: «Aiutaci a rendere più veloce un programma che già funziona». Servono però dati di test, un ambiente di esecuzione e criteri di accettazione chiari. Con una richiesta vaga come «Migliora l’algoritmo», anche un modello molto capace fatica a capire che cosa conti come successo.
Hyra 2.0 ha prodotto modelli proteici, ma questi non sono l’agente stesso
Al momento di questa verifica, nel repository di Tencent spiccano due progetti. HyInv è un modello di ripiegamento inverso delle proteine con circa 1,96 milioni di parametri: genera sequenze di amminoacidi a partire dalla struttura dello scheletro proteico. HyPLM-Flash è un modello linguistico per proteine con circa 650 milioni di parametri, usato per rappresentare sequenze e svolgere previsioni correlate. Entrambi i README dichiarano che sono stati addestrati da Hyra 2.0.
La distinzione è importante: HyInv e HyPLM-Flash sono modelli indipendenti, con codice e pesi disponibili, eseguibili seguendo le istruzioni. Non sono un modello di conversazione generale chiamato hyra-2.0. Si occupano rispettivamente di progettare sequenze a partire da strutture e di codificare sequenze per analisi successive. Per un ricercatore è più concreto dell’affermazione generica «L’IA può fare ricerca»: c’è un compito preciso da cui iniziare una riproduzione.
Materiali dei progetti: README di HyInv · README di HyPLM-Flash
Funzioni principali e punti di forza di Hunyuan Hyra 2.0
Ricerca automatizzata sull’IA: migliorare le ricette di addestramento, non limitarsi ai consigli
Uno dei primi vantaggi di Hyra, a nostro avviso, è la ricerca automatica di configurazioni di addestramento migliori. Il progetto nanochat_autoresearch pubblica un file train.py consultabile, script di esecuzione e registri completi. La configurazione dichiarata raggiunge 0,901543 BPB di validazione su una singola NVIDIA B200, con un budget fisso di circa 300 secondi di addestramento. BPB è una misura della perdita nella previsione del testo; per questo compito, più è bassa, meglio è.
Per gli sviluppatori significa che il risultato non è un generico racconto di regolazione dei parametri. Comprende modifiche concrete alle finestre di attenzione, alle impostazioni dell’ottimizzatore, a caratteristiche n-gram aggiuntive e alla pianificazione dell’addestramento. Consigliamo di capire prima queste modifiche riproducibili e poi valutarne l’utilità per il proprio modello, evitando di copiare una configurazione su dati di dimensioni molto diverse. Esperimento nanochat
Ottimizzazione degli operatori GPU: dimostrare la velocità con implementazioni eseguibili
Nell’ottimizzazione GPU c’è un errore frequente: il codice può sembrare più avanzato ma risultare più lento, o persino sbagliare con alcuni input. In SOL-ExecBench, Hyra rende disponibili alcune soluzioni effettivamente presentate, relative ad attenzione, distribuzione MoE, moltiplicazione di matrici e operatori di inferenza. La directory pubblica contiene 10 esempi che hanno superato i controlli di correttezza, ciascuno con identificativo, latenza e punteggio.
Troviamo particolarmente utile che sia registrato anche l’esito dei controlli. Un esempio di Flash/GQA attention riporta una latenza di 0,177612 millisecondi, ma il valore riguarda solo quel compito e quell’hardware. Non implica che il calcolo dell’attenzione di qualsiasi modello raggiunga la stessa velocità. Ai team che gestiscono servizi di inferenza consigliamo di fissare forma degli input, precisione, hardware e versione del compilatore prima di confrontare latenza e coerenza delle uscite.
Scoperte matematiche: dalle risposte candidate a dimostrazioni verificabili
La matematica è un altro campo interessante per gli agenti di ricerca. Il repository Hyra documenta risultati in geometria, combinatoria e disuguaglianze tra operatori. Per esempio, il limite inferiore del volume dei corpi convessi tridimensionali a larghezza costante passa da circa 0,380799 a 0,411040. Le note aggiunte il 2 novembre 2026 riportano inoltre un risultato sulla congettura di Petty relativa ai punti equidistanti in cinque dimensioni e un controesempio alla congettura di Yau sulle azioni del cerchio nel caso non semplicemente connesso.
Questi risultati non vanno trasformati nell’affermazione «L’IA ha risolto tutte le congetture matematiche». Ci interessano l’ambito della dimostrazione, le parti effettivamente controllate in modo formale e l’eventuale necessità di revisione da parte di altri matematici. Per una ricerca rigorosa, consigliamo di conservare l’enunciato originale, tutte le ipotesi, i file di dimostrazione e i registri di verifica indipendente prima di citare pubblicamente il risultato.
Directory dei risultati matematici
Progettazione di proteine: HyInv trasforma una struttura in sequenze di amminoacidi candidate
HyInv affronta un problema preciso: un ricercatore possiede la struttura dello scheletro di una proteina e vuole progettare sequenze che potrebbero adattarvisi. Offre interfacce da riga di comando e Python. Supporta la lettura di file strutturali PDB, la selezione delle catene, il blocco di posizioni specifiche e la generazione di più candidati tramite semi casuali. I pesi pubblicati occupano circa 7,8 MB e l’implementazione di riferimento funziona su CPU o GPU.
Per i team biotecnologici il vantaggio è automatizzare la produzione ripetuta di sequenze candidate. Generare una sequenza, però, non equivale a scoprire un farmaco efficace. Servono ancora verifiche di struttura, stabilità ed esperimenti. Consigliamo di controllare prima formati e risultati su poche strutture pubbliche, selezionare poi i candidati con il proprio processo di valutazione strutturale e passare solo dopo alla fase sperimentale.
Progetto HyInv e istruzioni di esecuzione
Analisi delle sequenze proteiche: HyPLM-Flash è adatto alla codifica in lotti e alle previsioni successive
HyPLM-Flash svolge un ruolo diverso da HyInv. Riceve sequenze proteiche e restituisce rappresentazioni vettoriali di singoli residui o dell’intera sequenza, oltre a logit per valutare le mutazioni. L’implementazione di Tencent include un motore di inferenza INT8 e dichiara circa 130 mila residui al secondo su una singola H20. Il dato proviene dall’ambiente specificato dal progetto, non è una garanzia di velocità per qualsiasi scheda video.
Suggeriamo di considerarlo un estrattore di caratteristiche delle sequenze all’interno di un sistema di ricerca. Si possono codificare proteine in lotti e passare i vettori al proprio software di classificazione, raggruppamento o previsione delle proprietà. Per uno sviluppatore generico è più utile capire che entrano sequenze di amminoacidi ed escono vettori che concentrarsi sui 650 milioni di parametri. Ai ricercatori consigliamo di confrontare accuratezza, dimensione dei lotti e tempi di avvio a freddo per scegliere tra INT8 e BF16.
Benchmark e prestazioni di Hunyuan Hyra 2.0
In questa sezione utilizziamo dati sperimentali su singoli compiti pubblicati da Tencent. Non sono una classifica uniforme di un modello di chat Hyra 2.0. Alcuni descrivono scoperte del sistema di ricerca, altri valutano modelli indipendenti addestrati da Hyra 2.0. La possibilità di ottenere risultati simili nel proprio lavoro dipende comunque dall’ambiente di test e dal riferimento usato.
Qualità dell’addestramento linguistico: il BPB di validazione nanochat scende da 0,9109 a 0,9015
Il repository Tencent confronta il risultato con un record simile pubblicato da Recursive: il precedente era 0,9109 BPB, mentre Hyra raggiunge circa 0,9015 BPB, con una differenza assoluta di circa 0,0094. Il dato esatto di Hyra è 0,901543, ottenuto con 1× B200, circa 300,1 secondi di addestramento e 348,4 secondi complessivi, inclusi preparazione e valutazione. Qui il miglioramento è una riduzione della perdita di validazione, non un aumento equivalente dell’accuratezza nelle risposte generali.
Il nostro consiglio: Chi ottimizza piccoli modelli può iniziare riproducendo il progetto e verificando memoria GPU, preparazione dei dati e metodo di validazione. Per l’addestramento commerciale contano comunque le metriche sui propri dati e il costo finale. Non estendete automaticamente i vantaggi di un benchmark di cinque minuti a ogni dimensione di modello.
Record Hyra nanochat · Riferimento Recursive
Velocità di addestramento: nanoGPT Speedrun passa da circa 77,5 a 76,435 secondi
Nell’esperimento nanoGPT Speedrun, lo script pubblico di Hyra usa FP8 per le grandi operazioni matriciali e modifica il programma di addestramento. Il repository conserva tre esecuzioni: 76,431, 76,467 e 76,408 secondi, con una media di 76,435 secondi e una perdita media di validazione di circa 3,28007. Rispetto al riferimento citato di circa 77,5 secondi, si risparmiano circa 1,1 secondi, pari a 1,4%.
Le condizioni sono molto precise: 8× H100, le versioni corrispondenti di CUDA, PyTorch e Triton e lo stesso dataset. La perdita media arrotondata è 3,280. Vedere 3,280 non significa che ogni prova sia stata strettamente sotto 3,280.
Il nostro consiglio: Considerate questa ottimizzazione FP8 solo se il vostro ambiente di addestramento è simile. Riprodurremmo almeno tre esecuzioni, confrontando media, variabilità e perdita finale. Se il vostro sistema usa già operatori diversi, iniziate con un piccolo test A/B.
Punteggio degli operatori GPU: SOL-ExecBench sale da 0,754 a 0,771
Nel confronto pubblico SOL-ExecBench, il punteggio SOL complessivo di riferimento di Recursive è 0,754, mentre Hyra riporta 0,771, con un aumento di 0,017. SOL misura quanto un’implementazione si avvicina al limite di prestazione definito dal benchmark. Non significa che il codice sia corretto nel 77,1% dei casi in generale. Tencent pubblica anche 10 esempi con controlli di correttezza, ma questi non sostituiscono l’intero dataset del benchmark.
Il nostro consiglio: Per gateway di inferenza e servizi GPU, testate prima gli operatori che sono veri colli di bottiglia nel vostro carico di lavoro. Registrate latenza P50/P95, capacità di elaborazione, memoria GPU ed errore numerico. Cercare il massimo punteggio in un singolo microbenchmark potrebbe non ridurre il costo complessivo del servizio.
Hyra SOL-ExecBench · Risultati pubblicati da Recursive
Instradamento dei circuiti quantistici: le CNOT aggiuntive scendono da 269.037 a 258.369
Anche il calcolo quantistico presenta ottimizzazioni misurabili. Quando due qubit non sono adiacenti sull’hardware, l’algoritmo di instradamento deve aggiungere operazioni. Tencent documenta 61 circuiti verificati, confrontando topologie Q20, di tipo Willow e di tipo Heron con il riferimento citato da SimpleTES:
| Topologia del dispositivo | Riferimento SimpleTES | Risultato Hyra |
|---|---|---|
| Q20 (20 qubit) | 45,441 | 37,869 |
| Tipo Willow (105 qubit) | 96,774 | 95,898 |
| Tipo Heron (156 qubit) | 126,822 | 124,602 |
| Totale CNOT aggiuntive | 269,037 | 258,369 |
Con i criteri della tabella, si tratta di 10.668 CNOT in meno, una riduzione di circa 4,0%. Si misura il costo aggiuntivo della mappatura del circuito, non un aumento del 4% della velocità dell’intero computer quantistico.
Il nostro consiglio: Se compilate circuiti quantistici, controllate prima l’OpenQASM generato e i vincoli di connessione. Se state scegliendo uno strumento di chat generico, questo risultato non ha un rapporto diretto con la qualità delle risposte quotidiane.
Progetto sui circuiti quantistici · Articolo SimpleTES
Inferenza proteica: HyPLM-Flash arriva a circa 130 mila residui al secondo, HyInv progetta lotti in millisecondi
Questi dati riguardano modelli indipendenti prodotti da Hyra 2.0, non la velocità completa dell’agente. Tencent dichiara circa 130 mila residui al secondo per HyPLM-Flash con INT8 su una singola H20. Nel confronto associato, su 32 compiti e 28 checkpoint pubblici, riporta una correlazione di Spearman zero-shot su ProteinGym di 0,409, statisticamente vicina a vari codificatori proteici di dimensioni simili. È una misura di correlazione, non di accuratezza di classificazione.
Per HyInv, la generazione su H20 di 128 proteine candidate, lunghe circa 148 residui, richiede secondo il progetto circa 25 millisecondi con il percorso BF16 ottimizzato e 999 millisecondi con l’implementazione di riferimento. Il tempo esclude la prima compilazione e l’acquisizione del CUDA Graph. Inoltre, il percorso ottimizzato presenta differenze numeriche rispetto a quello FP32 di riferimento: la sola velocità non basta per decidere una sostituzione.
Il nostro consiglio: I team di ricerca biologica dovrebbero valutare separatamente qualità, capacità di elaborazione in lotti e riproducibilità. Se si elabora spesso una sola sequenza breve, conviene misurare prima la latenza della prima richiesta. I residui al secondo contano soprattutto per grandi lotti offline. I punteggi delle sequenze, inoltre, non sostituiscono la verifica sperimentale in laboratorio.
Hunyuan Hyra 2.0 a confronto con Recursive, SimpleTES, TTT-Discover e AlphaEvolve
Qui confrontiamo sistemi di automazione della ricerca o framework scientifici, non quattro modelli di chat intercambiabili nella stessa interfaccia. Usiamo, quando possibile, numeri riferiti a compiti comuni. Dove manca un test uniforme, confrontiamo soltanto il metodo di lavoro e i contesti adatti.
Recursive: Hyra pubblica ulteriori miglioramenti su compiti simili di ricerca automatizzata sull’IA
First Steps Toward Automated AI Research di Recursive è un riferimento piuttosto diretto. Pubblica risultati su addestramento di piccoli modelli a budget fisso, velocità di addestramento e ottimizzazione degli operatori GPU. Hyra usa questi valori per i confronti nel proprio repository:
| Metrica | Riferimento pubblico Recursive | Risultato pubblicato da Hyra | Direzione migliore |
|---|---|---|---|
| BPB di validazione NanoChat | 0.9109 | 0.9015 | Più basso |
| Tempo di addestramento NanoGPT | 77.5 secondi | 76.4 secondi | Più basso |
| Punteggio SOL-ExecBench | 0.754 | 0.771 | Più alto |
Secondo noi, Hyra mostra di poter migliorare ancora questi risultati pubblici. Nei confronti tra organizzazioni diverse, però, bisogna controllare con cura codice, hardware e strumenti di valutazione. Dove lo useremmo: Un team che studia algoritmi di addestramento o prestazioni GPU può riprodurre entrambi i repository. Chi cerca soltanto un’API pronta per assistenza clienti o scrittura non deve cambiare il proprio modello abituale in base a questi punteggi.
Risultati Hyra · Ricerca Recursive
SimpleTES: entrambi usano valutazioni oggettive, Hyra richiede meno porte nel compito pubblico di instradamento quantistico
SimpleTES studia come ampliare il ciclo «soluzioni candidate, valutazione automatica, ulteriore ricerca». L’articolo copre 21 compiti scientifici in 6 ambiti e pubblica risultati anche sull’instradamento dei circuiti quantistici. Nel confronto pubblico su tre topologie hardware, Hyra riduce le CNOT aggiuntive totali da 269.037 a 258.369. Per questo compito offre quindi una soluzione candidata migliore.
Non trasformiamo però un miglior risultato su un singolo compito in una superiorità generale del sistema. Il punto di forza di SimpleTES è una spiegazione più sistematica della valutazione sperimentale e delle strategie di crescita, utile per costruire processi di ottimizzazione scientifica. Dove lo useremmo: Leggete prima il metodo SimpleTES se volete progettare una piattaforma di esperimenti automatici. Studiate i file OpenQASM di Hyra se cercate risultati concreti di ottimizzazione dell’instradamento quantistico.
Articolo originale SimpleTES · Risultati Hyra sull’instradamento quantistico
TTT-Discover: continua ad addestrarsi durante il compito, mentre Hyra documenta miglioramenti matematici successivi
La caratteristica di TTT-Discover è che il modello continua a imparare mentre affronta uno specifico problema scientifico, invece di ricevere soltanto nuovi prompt a modello invariato. L’articolo presenta scoperte in matematica, operatori GPU e analisi biologica, con codice riproducibile. Il repository Hyra cita il precedente record della costante di autocorrelazione di 1,502870 e riporta un miglioramento a 1,502850. La differenza è piccola, ma nell’ottimizzazione matematica con limiti numerici precisi il valore scientifico non dipende solo dalla percentuale di miglioramento.
Non esiste un confronto pubblico completo, con criteri uniformi, dei due metodi e dei rispettivi budget sperimentali. Dove lo useremmo: Per studiare come un modello continui a imparare su un compito preciso, partirei da TTT-Discover. Per vedere come documentare i risultati con codice, prove numeriche e articoli, l’organizzazione di Hyra è un esempio utile.
Articolo TTT-Discover · Risultati matematici Hyra
Google AlphaEvolve: risultati scientifici verificabili ed esperienza di produzione su larga scala
Anche AlphaEvolve di Google DeepMind unisce modelli linguistici e valutatori automatici per trovare algoritmi migliori. Google descrive applicazioni reali nella pianificazione dei data center, nella progettazione dei chip e nell’addestramento dei modelli. Un esempio è il recupero medio di circa 0,7% delle risorse di calcolo dei data center. È un caso di produzione, non un benchmark Hyra sullo stesso progetto: non metteremmo i numeri nella stessa tabella per stabilire un vincitore.
Hyra è interessante per i materiali pubblici di ricerca matematica, quantistica e proteica. AlphaEvolve lo è per l’esperienza nel portare l’ottimizzazione sperimentale nell’infrastruttura di produzione. Dove lo useremmo: Se gestite servizi online, darei priorità alla verifica in produzione e al calcolo dei benefici di lungo periodo sottolineati da AlphaEvolve. Se volete imparare a presentare risultati scientifici controllabili, le directory di Hyra offrono punti di partenza più semplici per riprodurre un singolo lavoro.
Google DeepMind AlphaEvolve · Progressi di AlphaEvolve in produzione
Domande frequenti sulle API di Hunyuan Hyra 2.0
Perché non trovo hyra-2.0 nell’elenco dei modelli API Hop?
Perché l’attuale catalogo pubblico non elenca Hyra 2.0 come modello testuale richiamabile. Se API Hop introdurrà il supporto per hyra-2.0, pubblicheremo subito un aggiornamento.
Documentazione Chat Completions unificata · Repository dei risultati Hyra
Quali interfacce di programmazione offrono HyInv e HyPLM-Flash?
Questi due modelli indipendenti addestrati da Hyra 2.0 hanno interfacce concrete, ma usarli non equivale a chiamare un’API dell’agente Hyra. HyInv supporta riga di comando e Python, per esempio:
# Eseguire in un ambiente con HyInv installato; structure.pdb è il proprio file strutturale
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fastaHyPLM-Flash offre un’interfaccia Python per la codifica, per esempio:
from hyplm import HyPLMEncoder
# Prima scaricare, unire e verificare i pesi seguendo le istruzioni del progetto
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")Consigliamo di distribuirli come servizi indipendenti: installate prima le dipendenze indicate dal repository, poi verificate input e output con piccoli esempi. L’implementazione accelerata di HyPLM-Flash dipende anche da CUDA, Triton e da un ambiente GPU adatto. Non date per scontato che qualsiasi CPU o scheda video raggiunga le prestazioni dichiarate.
Installazione e uso di HyInv · Installazione e uso di HyPLM-Flash
Perché la riproduzione può dare risultati diversi e come si valutano i costi?
Consigliamo innanzitutto di separare i costi di inferenza del modello, riproduzione dell’addestramento e agente di ricerca completo. Il record pubblico nanochat usa una B200, nanoGPT Speedrun otto H100. Servono dati, driver, dipendenze e impostazioni di validazione corrispondenti. Anche con codice identico, frequenza della GPU, cache di compilazione, carico e casualità possono cambiare i risultati. I test accelerati di HyInv escludono inoltre esplicitamente la prima compilazione Triton e l’acquisizione del CUDA Graph.
Valuteremmo quindi tre aspetti: raggiungimento della qualità richiesta, tempo totale del compito e risorse per ogni risultato verificato. Per l’addestramento, registrate ore GPU e media di almeno tre esecuzioni. Per l’inferenza online, misurate separatamente latenza della prima richiesta, capacità a regime, memoria GPU e tasso di errore. Per gli agenti di ricerca, includete anche gli esperimenti falliti e il tempo di controllo umano. Al momento non c’è un prezzo verificabile per un’API generale Hyra 2.0, quindi non inventiamo una tariffa per token.
Istruzioni per riprodurre Hyra nanochat · Istruzioni per riprodurre nanoGPT Speedrun