Hunyuan Hyra 2.0이란?
Hyra 2.0은 일반 챗봇 모델이 아닌 Tencent Hunyuan의 자동 연구 에이전트입니다
대화 모델은 질문에 답합니다. 연구 에이전트는 검증할 수 있는 문제를 결과가 나올 때까지 진행해야 합니다. Tencent는 Hyra를 Hunyuan Research Agent라고 부릅니다. 공개된 성과를 보면 소형 모델 학습, GPU 연산자, 수학 난제, 양자 회로, 단백질 모델링, 예측 알고리즘 등을 다룹니다.
예를 들어 일반 대화 도구는 “학습 속도를 높이는 방법”을 설명할 수 있습니다. 연구 에이전트가 지향하는 일은 “학습 스크립트를 수정하고, 실험을 실행하고, 새로운 지표를 얻고, 확인할 수 있는 코드와 로그를 남기는 것”에 가깝습니다. Hyra를 이해할 때는 대화가 얼마나 자연스러운지보다, 찾아낸 방법을 재현할 수 있는지, 기존 기준보다 나은지, 계산 자원을 투입할 가치가 있는지가 중요하다고 봅니다.
Tencent의 공개 저장소 Hyra-results에는 주로 최종 해법과 일부 재현 스크립트가 담겨 있습니다. 에이전트의 연구 일정 관리, 탐색 전략, 기반 모델 전체를 공개한 것은 아닙니다. Hyra 성과 저장소
실험 결과로 연구를 발전시키기: 코드, 평가, 검증을 연결합니다
Hyra의 공개 성과에는 공통점이 있습니다. 대부분 수치로 평가할 수 있는 목표가 있다는 점입니다. 학습 후 검증 손실은 낮을수록, 같은 정확도에서 학습 시간은 짧을수록, 양자 회로에 추가하는 게이트 수는 적을수록 좋습니다. 덕분에 좋은 아이디어가 그럴듯한 설명에 그치지 않고 코드, 실행 기록, 증명 자료로 이어질 수 있습니다.
이런 연구 방식은 네 단계로 이해하면 쉽습니다. 목표 지표를 정하고, 후보 해법을 만들고, 외부 환경에서 평가하고, 검증을 통과한 결과를 저장합니다. 이는 공개된 결과물을 바탕으로 정리한 작업 방식이며, Tencent가 Hyra 2.0의 내부 구조 전체를 공개했다는 뜻은 아닙니다.
일반 사용자에게 가장 쉬운 예는 “이미 실행되는 프로그램을 더 빠르게 만들어 주세요”입니다. 이를 위해서는 테스트 데이터, 실행 환경, 명확한 통과 기준을 제공해야 합니다. “알고리즘을 더 좋게 해 주세요”라는 말만으로는 아무리 뛰어난 모델이라도 무엇을 성공으로 볼지 알기 어렵습니다.
Hyra 2.0이 만든 단백질 모델과 에이전트 자체는 구분해야 합니다
이번 확인 시점에 Tencent는 특히 주목할 만한 두 프로젝트를 공개했습니다. HyInv는 약 196만 개의 파라미터를 가진 단백질 역접힘 모델로, 단백질 골격 구조에서 아미노산 서열을 생성합니다. HyPLM-Flash는 약 6억 5천만 개의 파라미터를 가진 단백질 언어 모델로, 서열 표현과 관련 예측 작업에 쓰입니다. 두 프로젝트의 README에는 모두 Hyra 2.0이 학습한 모델이라고 적혀 있습니다.
HyInv와 HyPLM-Flash는 코드와 가중치를 받아 안내에 따라 실행할 수 있는 독립 모델입니다. hyra-2.0이라는 이름의 범용 대화 모델은 아닙니다. 각각 구조에서 서열을 설계하는 일과, 서열을 인코딩해 후속 분석에 사용하는 일을 해결합니다. 연구자에게는 “AI가 연구를 한다”는 추상적인 설명보다 구체적인 작업부터 재현할 수 있다는 점이 더 실용적입니다.
프로젝트 자료: HyInv README · HyPLM-Flash README
Hunyuan Hyra 2.0의 주요 기능과 강점
AI 연구 자동화: 조언을 넘어 소형 모델의 학습 설정을 최적화합니다
Hyra의 첫 번째 활용 가치는 학습 방법을 자동으로 탐색하는 데 있다고 봅니다. nanochat_autoresearch 프로젝트에는 train.py, 실행 스크립트, 전체 학습 로그가 공개되어 있습니다. 공개 설정에서는 NVIDIA B200 한 장으로 약 300초의 고정 학습 시간 안에 검증 BPB 0.901543을 달성했습니다. BPB는 쉽게 말해 텍스트 예측 성능을 측정하는 손실 지표이며, 이 작업에서는 낮을수록 좋습니다.
개발자 입장에서 이는 막연한 “튜닝 요령”이 아닙니다. 어텐션 윈도, 옵티마이저 설정, 추가 n-gram 특성, 학습 일정 같은 구체적인 변경을 포함합니다. 먼저 재현 가능한 변경을 이해한 다음 자신의 모델에 맞는지 판단하는 편을 권합니다. 데이터 규모가 전혀 다른 환경에 다른 팀의 학습 설정을 그대로 옮기지는 않는 것이 좋습니다. nanochat 실험
GPU 연산자 최적화: 실제 실행 가능한 구현으로 속도 향상을 보여 줍니다
GPU 최적화에서는 코드가 더 고급스러워 보여도 실제로는 느리거나 일부 입력에서 잘못된 값을 계산할 수 있습니다. Hyra는 SOL-ExecBench에 실제 제출한 결과물 일부를 공개했으며, 어텐션, MoE 분배, 행렬 곱, 추론 단계 연산자가 포함됩니다. 공개 디렉터리에는 정확성 검사를 통과한 예제 10개가 있고, 각각 제출 번호, 지연 시간, 점수가 기록되어 있습니다.
우리는 정확성 검사 결과를 남긴 점을 특히 중요하게 봅니다. 예를 들어 한 Flash/GQA attention 예제의 지연 시간은 0.177612밀리초입니다. 하지만 이 수치는 해당 작업과 하드웨어에서만 의미가 있으며, 모든 모델의 어텐션 계산이 같은 속도로 실행된다는 뜻은 아닙니다. 추론 서비스 팀에는 입력 형태, 정밀도, 하드웨어, 컴파일러 버전을 고정한 뒤 최적화 전후의 지연 시간과 출력 일치 여부를 비교하도록 권합니다.
수학적 발견: 후보 답안에서 검증 가능한 증명 자료로 나아갑니다
수학도 연구 에이전트가 주목받는 분야입니다. Hyra 저장소에는 기하학, 조합론, 연산자 부등식 관련 결과가 있습니다. 예를 들어 3차원 정폭 볼록체의 부피 하한은 약 0.380799에서 0.411040으로 개선되었습니다. 2026년 11월 2일 추가된 설명에는 Petty의 등거리점 추측에 대한 5차원 결과와, Yau의 원 작용 추측의 비단순연결 경우에 대한 반례도 보고되어 있습니다.
이를 “AI가 모든 수학 추측을 해결했다”라고 해석하면 안 됩니다. 증명이 다루는 범위, 형식 검증이 실제로 증명한 부분, 수학자의 동료 검토가 더 필요한지 살펴야 합니다. 본격적인 연구에서 인용하기 전에는 정리 원문, 전체 가정, 증명 파일, 독립적인 검증 기록을 확보하는 편을 권합니다.
단백질 설계: HyInv는 구조를 후보 아미노산 서열로 바꿉니다
HyInv는 단백질 주사슬 구조를 이미 가진 연구자가 그 골격에 맞을 만한 서열을 설계하는 작업을 다룹니다. 명령줄과 Python 인터페이스를 제공하며, PDB 구조 파일 읽기, 사슬 선택, 특정 위치 고정, 난수 시드에 따른 여러 후보 생성이 가능합니다. 공개 가중치는 약 7.8 MB이며, 참조 구현은 CPU 또는 GPU에서 실행할 수 있습니다.
바이오 기술 팀에는 후보 서열을 반복해서 생성하는 과정을 프로그램으로 처리할 수 있다는 장점이 있습니다. 그러나 “서열 생성”이 곧 “효과적인 약물 발견”은 아닙니다. 후보 서열은 구조, 안정성, 실험 검증을 거쳐야 합니다. 먼저 소수의 공개 구조로 형식과 출력을 확인하고, 팀의 구조 평가 절차로 후보를 추린 다음 실험 단계로 넘어가는 방식을 권합니다.
단백질 서열 분석: HyPLM-Flash는 일괄 인코딩과 후속 예측에 적합합니다
HyPLM-Flash의 역할은 HyInv와 다릅니다. 단백질 서열을 입력받아 잔기별 또는 전체 서열의 벡터 표현을 출력하고, 변이 평가에 쓰는 logits도 제공합니다. Tencent의 구현에는 INT8 추론 엔진이 포함되며, H20 한 장에서 약 초당 13만 잔기의 처리량을 보고했습니다. 이는 지정된 공식 환경의 수치이며, 모든 그래픽 카드에서 같은 속도를 보장하지 않습니다.
연구 시스템 안의 “서열 특성 추출기”로 이해하면 활용하기 쉽습니다. 예를 들어 단백질을 일괄 인코딩한 뒤 벡터를 자체 분류, 군집화, 특성 예측 프로그램에 전달할 수 있습니다. 일반 개발자에게는 6억 5천만 파라미터라는 크기보다 입력이 아미노산 서열이고 출력이 벡터라는 점을 이해하는 것이 더 유용합니다. 연구자는 정확도, 배치 처리량, 초기 시작 시간을 함께 비교해 INT8과 BF16 중 작업에 맞는 방식을 선택하는 것이 좋습니다.
Hunyuan Hyra 2.0 벤치마크와 성능
이 절은 Tencent가 공개한 작업별 실험 데이터를 사용합니다. 이 숫자들은 동일한 기준으로 측정한 Hyra 2.0 대화 모델 순위가 아닙니다. 일부는 Hyra 연구 시스템의 발견 기록이고, 일부는 Hyra 2.0이 학습한 독립 모델의 평가입니다. 자신의 서비스에서 같은 결과를 얻을 수 있는지는 실험 환경과 비교 기준에 달려 있습니다.
언어 모델 학습 품질: nanochat 검증 BPB가 0.9109에서 0.9015로 감소
Tencent 저장소는 Recursive가 공개한 같은 유형의 기록과 비교합니다. 이전 기록은 0.9109 BPB, Hyra 결과는 약 0.9015 BPB로, 절대 차이는 약 0.0094입니다. 정확한 Hyra 기록은 0.901543이며, 1× B200에서 학습에 약 300.1초, 준비와 평가를 포함해 총 348.4초가 걸렸습니다. 여기서 개선은 검증 손실이 줄었다는 뜻이지, 일반 질의응답 정확도 향상으로 환산할 수 있는 수치가 아닙니다.
우리의 제안: 소형 모델 학습을 최적화하는 팀은 이 프로젝트를 재현하면서 GPU 메모리, 데이터 준비, 검증 방법을 확인할 수 있습니다. 상용 모델 학습에서는 자체 데이터셋의 지표와 최종 학습 비용을 봐야 합니다. 5분짜리 벤치마크의 이득을 모든 모델 규모에 일반화하지 마세요.
Hyra nanochat 기록 · Recursive 기준 기록
학습 속도: nanoGPT Speedrun이 약 77.5초에서 76.435초로 단축
nanoGPT Speedrun 실험에서 Hyra의 공개 스크립트는 큰 행렬 연산에 FP8을 사용하고 학습 계획을 조정합니다. 저장소에는 세 차례 실행 기록인 76.431, 76.467, 76.408초가 남아 있습니다. 평균은 76.435초, 평균 검증 손실은 약 3.28007입니다. 저장소에서 인용한 약 77.5초의 기준보다 시간이 약 1.1초, 비율로 약 1.4% 줄었습니다.
이 결과에는 8× H100, 해당 CUDA·PyTorch·Triton 버전, 데이터셋이라는 엄격한 조건이 있습니다. 평균 손실은 반올림하면 3.280이지만, 화면에 3.280으로 보인다고 모든 실행이 엄밀히 3.280 미만이었다는 뜻은 아닙니다.
우리의 제안: 학습 환경이 비슷할 때만 이 FP8 최적화를 도입 후보로 검토하는 것이 좋습니다. 먼저 세 차례 이상 재현해 평균, 변동 폭, 최종 손실을 비교합니다. 이미 다른 연산자 구현을 사용하는 시스템이라면 작은 범위의 A/B 테스트부터 진행합니다.
GPU 연산자 점수: SOL-ExecBench가 0.754에서 0.771로 상승
공개 SOL-ExecBench 비교에서 Recursive 기준의 종합 SOL 점수는 0.754, Hyra 저장소의 보고값은 0.771로 0.017 높아졌습니다. SOL은 구현이 해당 벤치마크에서 정의한 성능 상한에 얼마나 가까운지 나타냅니다. 범용 코드의 정확도가 77.1%라는 뜻이 아닙니다. Tencent는 정확성 검사를 거친 예제 10개도 공개했지만, 이 예제들이 전체 벤치마크 데이터셋을 대신하지는 않습니다.
우리의 제안: 추론 게이트웨이나 GPU 서비스를 운영하는 팀은 실제 서비스에서 부하가 큰 연산자부터 시험하고 P50/P95 지연 시간, 처리량, GPU 메모리, 수치 오차를 기록하는 것이 좋습니다. 작은 개별 벤치마크의 최고 점수만 추구하면 전체 서비스 비용은 줄지 않을 수 있습니다.
Hyra SOL-ExecBench · Recursive 공개 결과
양자 회로 라우팅: 추가 CNOT가 269,037개에서 258,369개로 감소
양자 컴퓨팅에도 측정 가능한 최적화 문제가 있습니다. 물리 장치에서 두 큐비트가 이웃하지 않으면 라우팅 알고리즘이 연산을 추가해야 합니다. Tencent 저장소에는 검증된 회로 61개가 기록되어 있으며, Q20, Willow형, Heron형의 세 연결 구조에서 SimpleTES가 인용한 기준과 비교합니다.
| 장치 연결 구조 | SimpleTES 기준 | Hyra 결과 |
|---|---|---|
| Q20 (20큐비트) | 45,441 | 37,869 |
| Willow형 (105큐비트) | 96,774 | 95,898 |
| Heron형 (156큐비트) | 126,822 | 124,602 |
| 추가 CNOT 합계 | 269,037 | 258,369 |
같은 표의 기준으로 CNOT가 총 10,668개, 약 4.0% 줄었습니다. 이는 회로를 물리 장치에 매핑할 때의 추가 부담을 측정한 것이며, 양자 컴퓨터 전체 속도가 4% 빨라졌다는 뜻은 아닙니다.
우리의 제안: 양자 회로를 컴파일한다면 생성된 OpenQASM과 연결 제약부터 확인하세요. 일반 AI 대화 도구를 고르는 목적이라면 이 결과는 일상적인 답변 품질과 직접 관련이 없습니다.
단백질 추론: HyPLM-Flash는 초당 약 13만 잔기, HyInv는 밀리초 단위 일괄 설계
이 수치는 Hyra 2.0이 만든 독립 모델의 성능이며, 에이전트 전체의 처리 속도가 아닙니다. Tencent는 H20 한 장의 INT8 설정에서 HyPLM-Flash가 약 초당 130,000 잔기를 처리한다고 보고했습니다. 32개 작업과 공개 체크포인트 28개를 다룬 비교에서는 ProteinGym 제로샷 Spearman 상관계수 0.409를 기록해, 비슷한 규모의 여러 단백질 인코더와 통계적으로 가까운 결과를 보였습니다. 이 지표는 상관관계이며 분류 정확도가 아닙니다.
HyInv는 H20에서 길이 약 148의 단백질 설계 128개를 일괄 생성할 때, 최적화된 BF16 경로는 약 25밀리초, 참조 구현은 약 999밀리초라고 보고했습니다. 하지만 이 측정에는 첫 컴파일과 CUDA Graph 캡처 시간이 포함되지 않습니다. 최적화 경로와 FP32 참조 경로 사이에는 수치 차이도 있으므로, 속도만으로 교체를 결정해서는 안 됩니다.
우리의 제안: 생물 연구 팀은 품질, 배치 처리량, 재현성을 따로 평가하는 것이 좋습니다. 짧은 서열 하나만 처리하는 일이 많다면 첫 요청 지연 시간을 먼저 측정하세요. 초당 잔기 수는 대규모 오프라인 작업에서 더 중요합니다. 서열 점수 역시 실제 실험실 검증을 대신할 수 없습니다.
Hunyuan Hyra 2.0과 Recursive, SimpleTES, TTT-Discover, AlphaEvolve 비교
여기서 비교하는 대상은 연구 자동화 시스템이나 연구 프레임워크입니다. 같은 대화 API에서 그대로 교체할 수 있는 네 가지 “대화 모델”이 아닙니다. 가능한 한 공통 작업의 수치를 사용하고, 통일된 테스트가 없는 부분은 작동 방식과 사용 목적만 비교합니다.
Recursive 비교: Hyra는 유사한 자동 AI 연구 과제에서 개선된 결과를 공개했습니다
Recursive의 First Steps Toward Automated AI Research는 직접적인 비교 자료입니다. 고정 예산의 소형 모델 학습, 학습 속도, GPU 연산자 최적화라는 세 방향의 결과를 공개했으며, Hyra는 공개 디렉터리에서 이를 기준으로 비교합니다.
| 지표 | Recursive 공개 기준 | Hyra 공개 결과 | 좋은 방향 |
|---|---|---|---|
| NanoChat 검증 BPB | 0.9109 | 0.9015 | 낮을수록 좋음 |
| NanoGPT 학습 시간 | 77.5초 | 76.4초 | 짧을수록 좋음 |
| SOL-ExecBench 점수 | 0.754 | 0.771 | 높을수록 좋음 |
Hyra는 이 공개 과제들에서 지표를 더 개선하는 능력을 보여 주었다고 봅니다. 다만 기관 간 실험 비교에서는 코드, 하드웨어, 평가기를 꼼꼼히 확인해야 합니다. 사용 목적별 제안: 학습 알고리즘이나 GPU 성능을 연구하는 팀은 두 저장소를 함께 재현해 볼 수 있습니다. 고객 응대나 글쓰기를 위한 완성형 API만 필요하다면 이 점수 때문에 일상적으로 쓰는 모델을 바꿀 필요는 없습니다.
SimpleTES 비교: 둘 다 객관적 평가를 사용하며, 공개 양자 라우팅 과제에서는 Hyra의 게이트 수가 더 적습니다
SimpleTES는 “후보 생성, 자동 평가, 추가 탐색”의 순환을 어떻게 확대할지 연구합니다. 논문은 6개 분야의 연구 과제 21개를 다루며 양자 회로 라우팅 등의 결과를 공개했습니다. Hyra는 세 가지 하드웨어 연결 구조의 공개 비교에서 추가 CNOT 합계를 269,037에서 258,369로 줄였습니다. 이 측면에서는 더 나은 후보 해법을 제시한 것입니다.
그러나 한 과제에서 더 좋다는 결과를 전체 연구 시스템의 우위로 해석하지는 않습니다. SimpleTES는 실험 평가와 확장 전략을 체계적으로 설명해, 연구 최적화 절차를 만드는 방법을 배우기 좋습니다. 사용 목적별 제안: 자체 자동 실험 플랫폼을 설계하려면 SimpleTES의 방법부터 읽고, 양자 라우팅의 구체적인 최적화 결과를 보려면 Hyra의 OpenQASM 파일을 살펴보세요.
SimpleTES 원논문 · Hyra 양자 라우팅 결과
TTT-Discover 비교: 문제를 풀며 계속 학습하는 방식과 Hyra의 후속 수학 개선 기록
TTT-Discover는 고정된 모델에 프롬프트만 반복하는 대신, 특정 연구 과제를 해결하는 동안 모델이 계속 학습한다는 특징이 있습니다. 논문에는 수학, GPU 연산자, 생물 분석 등의 발견이 담겨 있으며 재현 가능한 코드도 공개되어 있습니다. Hyra 저장소는 자기상관 상수의 이전 기록 1.502870을 인용하면서 1.502850으로 개선했다고 보고합니다. 차이는 작지만 정밀한 수치 경계가 필요한 수학 최적화에서는 변화율만으로 연구 가치를 판단할 수 없습니다.
두 방식과 실험 예산을 맞춘 완전한 공개 비교는 없습니다. 사용 목적별 제안: 특정 과제에서 모델이 계속 학습하는 방법을 연구한다면 TTT-Discover를 먼저 보세요. 연구 결과를 코드, 수치 근거, 논문 자료로 정리하는 방법이 궁금하다면 Hyra의 성과 정리 방식을 참고할 수 있습니다.
Google AlphaEvolve 비교: 검증 가능한 연구 성과와 대규모 운영 환경 적용 사례
Google DeepMind의 AlphaEvolve 역시 언어 모델과 자동 평가기를 결합해 더 나은 알고리즘을 찾습니다. Google은 데이터센터 스케줄링, 칩 설계, 모델 학습에 실제로 적용한 사례를 소개했으며, 데이터센터 계산 자원을 평균 약 0.7% 회수한 사례 등이 있습니다. 이는 운영 환경 사례이지 Hyra와 같은 과제의 벤치마크가 아닙니다. 따라서 두 수치를 한 표에 놓고 억지로 순위를 매기지 않습니다.
Hyra에서는 공개된 수학, 양자, 단백질 연구 결과물을 볼 만합니다. AlphaEvolve에서는 실험 최적화를 실제 운영 인프라로 옮긴 경험이 유용합니다. 사용 목적별 제안: 실제 온라인 서비스를 운영한다면 AlphaEvolve가 강조하는 운영 환경 검증과 장기 효과 산정 방식을 먼저 참고할 수 있습니다. 검증 가능한 연구 결과를 제출하는 방법을 배우려면 Hyra의 분야별 디렉터리에서 개별 재현 대상을 찾기 쉽습니다.
Google DeepMind AlphaEvolve · AlphaEvolve 운영 환경 적용 현황
Hunyuan Hyra 2.0 API 자주 묻는 질문
API Hop 모델 목록에서 hyra-2.0을 찾을 수 없는 이유는 무엇인가요?
현재 공개 모델 목록에 Hyra 2.0이 호출 가능한 텍스트 모델로 등록되어 있지 않기 때문입니다. API Hop이 hyra-2.0을 지원하게 되면 바로 소식을 알리겠습니다.
통합 Chat Completions 문서 · Hyra 성과 저장소
HyInv와 HyPLM-Flash는 코드에서 어떻게 사용할 수 있나요?
Hyra 2.0이 학습한 이 두 독립 모델에는 각각 사용 방법이 있지만, Hyra 에이전트 API를 호출하는 것과는 다릅니다. HyInv는 CLI와 Python을 지원합니다. 예를 들면 다음과 같습니다.
# HyInv가 설치된 환경에서 실행합니다. structure.pdb는 사용자가 제공하는 구조 파일입니다
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fastaHyPLM-Flash는 다음과 같은 Python 인코딩 인터페이스를 제공합니다.
from hyplm import HyPLMEncoder
# 먼저 프로젝트 안내에 따라 가중치를 다운로드하고 병합한 뒤 검증합니다
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")각 모델을 독립 서비스로 배포하고, 저장소가 지정한 의존성을 설치한 뒤 소량의 샘플로 입력과 출력을 확인하는 것을 권합니다. HyPLM-Flash의 가속 구현은 CUDA, Triton, 관련 GPU 환경에도 의존합니다. 모든 CPU나 그래픽 카드에서 공식 처리량을 낼 수 있다고 가정하면 안 됩니다.
HyInv 설치와 호출 · HyPLM-Flash 설치와 호출
재현할 때 같은 결과가 나오지 않는 이유와 비용 평가 방법은 무엇인가요?
먼저 모델 추론, 학습 재현, 전체 연구 에이전트 운영의 비용을 나누어 보세요. 공개 nanochat 기록은 B200 한 장, nanoGPT Speedrun은 H100 여덟 장을 사용하며, 데이터, 드라이버, 의존성, 검증 설정이 맞아야 합니다. 코드가 같더라도 GPU 클록, 컴파일 캐시, 부하, 무작위성이 최종 지표에 영향을 줄 수 있습니다. HyInv 가속 테스트는 첫 Triton 컴파일과 CUDA Graph 캡처 시간을 명시적으로 제외합니다.
따라서 우리는 품질이 기준을 충족하는지, 전체 작업에 얼마나 걸리는지, 검증을 통과한 결과 하나에 자원이 얼마나 필요한지를 평가합니다. 학습 작업에서는 GPU 사용 시간과 세 차례 이상 실행한 평균을 기록합니다. 온라인 추론에서는 첫 요청 지연 시간, 안정 상태 처리량, GPU 메모리 사용량, 실패율을 따로 측정합니다. 연구 에이전트는 실패한 실험과 사람이 검토하는 시간도 포함해야 합니다. 현재 확인 가능한 Hyra 2.0 범용 API 가격은 없으므로, 추측한 토큰 단가를 제시하지 않습니다.