Hunyuan Hyra 2.0: от автоматизации исследований до проектирования белков, результаты и API

Что такое Hunyuan Hyra 2.0

Hyra 2.0 — исследовательский агент Tencent Hunyuan, а не обычная чат-модель

Чат-модель отвечает на вопросы. Исследовательский агент должен довести проверяемую задачу до результата. Tencent называет Hyra Hunyuan Research Agent. Опубликованные результаты охватывают обучение небольших моделей, операции на GPU, сложные математические задачи, квантовые схемы, моделирование белков и алгоритмы прогнозирования.

Например, обычный чат может объяснить, «как ускорить обучение». Цель исследовательского агента ближе к следующей: «изменить скрипт обучения, провести эксперименты, получить новые показатели и сохранить код и журналы для проверки». На наш взгляд, при оценке Hyra важнее не естественность диалога, а возможность воспроизвести найденное решение, превзойти исходный результат и оправдать затраты вычислительных ресурсов.

В открытом репозитории Tencent Hyra-results хранятся в основном готовые решения и часть скриптов для воспроизведения. Планирование исследований, стратегия поиска и базовая модель агента раскрыты не полностью. Репозиторий результатов Hyra

Исследования с обратной связью: код, оценка и проверка в одном цикле

У открытых результатов Hyra есть общая черта: задачи обычно имеют измеримую цель. Например, снизить ошибку на проверочных данных после обучения, сократить время обучения при той же точности или добавить меньше вентилей в квантовую схему. Благодаря этому хорошая идея может стать кодом, журналом запуска или материалом доказательства, а не остаться лишь убедительным объяснением.

Такой подход удобно представить в виде четырёх проверяемых шагов: выбрать целевой показатель, создать варианты решения, оценить их во внешней среде и сохранить прошедшие проверку результаты. Это наше обобщение опубликованных материалов, а не утверждение, что Tencent раскрыла всю внутреннюю архитектуру Hyra 2.0.

Для обычного пользователя самый понятный пример — «помогите ускорить программу, которая уже работает». Для этого нужны тестовые данные, среда выполнения и ясные критерии приёмки. Одной просьбы «сделайте алгоритм лучше» недостаточно: даже сильной модели будет трудно понять, что считать успехом.

Hyra 2.0 создала модели белков, но эти модели не являются самим агентом

На момент проверки Tencent опубликовала два особенно интересных проекта. HyInv — модель обратного фолдинга белков примерно с 1,96 млн параметров: она создаёт аминокислотные последовательности по структуре белкового каркаса. HyPLM-Flash — языковая модель белков примерно с 650 млн параметров для представления последовательностей и связанных задач прогнозирования. В README обоих проектов указано, что модели обучены Hyra 2.0.

Важно различать эти понятия: HyInv и HyPLM-Flash — самостоятельные модели, для которых доступны код, веса и инструкции по запуску. Это не универсальная диалоговая модель с именем hyra-2.0. Одна решает задачу проектирования последовательности по структуре, другая — кодирования последовательностей и дальнейшего анализа. Для исследователей это полезнее абстрактного обещания «ИИ умеет заниматься наукой»: можно начать с воспроизведения конкретной задачи.

Материалы проектов: README HyInv · README HyPLM-Flash

Основные функции и сильные стороны Hunyuan Hyra 2.0

Автоматизация исследований ИИ: настройка обучения небольших моделей, а не только советы

Одно из первых полезных применений Hyra — автоматический поиск настроек обучения. В проекте nanochat_autoresearch доступны train.py, скрипты запуска и полные журналы обучения. Опубликованная конфигурация на одной NVIDIA B200 при фиксированном бюджете около 300 секунд обучения достигает 0,901543 BPB на проверочных данных. Если объяснять просто, BPB — показатель ошибки при предсказании текста; в этой задаче меньше означает лучше.

Для разработчиков это не просто общие советы по настройке. Результат включает конкретные изменения окна внимания, оптимизатора, дополнительных признаков n-грамм и расписания обучения. Мы советуем сначала изучить воспроизводимые изменения, а затем решить, подходят ли они вашей модели. Переносить чужую конфигурацию на совершенно другой объём данных без проверки не стоит. Эксперимент nanochat

Оптимизация операций на GPU: ускорение в исполняемом коде

В оптимизации GPU легко ошибиться: внешне более сложный код может работать медленнее или давать неверный результат на некоторых входных данных. В SOL-ExecBench Hyra опубликовала часть реально отправленных решений для внимания, распределения MoE, умножения матриц и операций на этапе инференса. В открытом каталоге есть 10 примеров, прошедших проверку корректности, с номерами отправок, задержками и оценками.

Мы особенно ценим сохранённый статус проверки корректности. Например, для одного варианта Flash/GQA attention записана задержка 0,177612 миллисекунды. Но она относится только к конкретной задаче и оборудованию, а не обещает такую скорость вычисления внимания в любой модели. Командам сервисов инференса мы советуем сначала зафиксировать форму входных данных, точность, оборудование и версию компилятора, а затем сравнивать задержки и совпадение результатов до и после оптимизации.

Результаты оптимизации GPU

Математические открытия: от возможного ответа к проверяемому доказательству

Математика — ещё одна важная область для исследовательских агентов. Репозиторий Hyra содержит результаты по геометрии, комбинаторике и операторным неравенствам. Например, нижняя граница объёма трёхмерных выпуклых тел постоянной ширины улучшена примерно с 0,380799 до 0,411040. В дополнении от 2 ноября 2026 года также сообщается о результате для гипотезы Петти о равноудалённых точках в пяти измерениях и контрпримере к гипотезе Яу о действиях окружности в неодносвязном случае.

Это не следует понимать как «ИИ решил все математические гипотезы». Важнее выяснить область действия доказательств, какие части прошли формальную проверку и нужна ли ещё рецензия математиков. Перед использованием результата в серьёзной научной работе мы советуем сохранить исходную формулировку теоремы, все предпосылки, файлы доказательства и записи независимой проверки.

Каталог математических результатов

Проектирование белков: HyInv превращает структуру в варианты аминокислотной последовательности

HyInv решает конкретную задачу: у исследователя уже есть структура основной цепи белка, и нужно получить последовательности, которые могут соответствовать этому каркасу. Модель доступна через командную строку и Python. Она умеет читать структуры PDB, выбирать цепи, фиксировать заданные позиции и создавать несколько вариантов с разными начальными значениями генератора случайных чисел. Открытые веса занимают около 7,8 MB, а эталонная реализация работает на CPU и GPU.

Для биотехнологических команд преимущество в том, что повторяющуюся генерацию вариантов последовательностей можно автоматизировать. Но «создать последовательность» не значит «найти эффективное лекарство». Кандидаты требуют проверки структуры, стабильности и лабораторных испытаний. Мы рекомендуем сначала проверить формат и вывод на нескольких открытых структурах, затем отобрать варианты с помощью собственной системы структурной оценки и только после этого переходить к экспериментам.

Проект HyInv и инструкции по запуску

Анализ белковых последовательностей: HyPLM-Flash для пакетного кодирования и дальнейших прогнозов

У HyPLM-Flash другая роль, чем у HyInv: модель получает белковую последовательность и выдаёт векторы для каждого остатка или всей последовательности, а также логиты для оценки мутаций. Реализация Tencent включает движок инференса INT8. Для одной H20 заявлена пропускная способность около 130 000 остатков в секунду. Это результат в указанной разработчиком среде, а не гарантия скорости на любой видеокарте.

Мы советуем рассматривать модель как «средство извлечения признаков последовательностей» внутри исследовательской системы. Например, можно кодировать белки пакетами и передавать векторы в собственные программы классификации, кластеризации или предсказания свойств. Обычному разработчику полезнее понять, что на входе аминокислотная последовательность, а на выходе вектор, чем сосредоточиваться на 650 млн параметров. Исследователям стоит сравнить точность, размер пакета и время холодного старта, чтобы выбрать INT8 или BF16.

Проект HyPLM-Flash

Тесты и производительность Hunyuan Hyra 2.0

В этом разделе используются опубликованные Tencent экспериментальные данные по отдельным задачам. Это не единый рейтинг чат-модели Hyra 2.0: часть цифр описывает открытия исследовательской системы Hyra, а часть — самостоятельные модели, обученные Hyra 2.0. Возможность повторить результаты в своей работе зависит от среды тестирования и исходного уровня для сравнения.

Качество обучения языковой модели: BPB nanochat снижается с 0,9109 до 0,9015

Tencent сравнивает результат с аналогичными записями Recursive: предыдущий показатель — 0,9109 BPB, результат Hyra — около 0,9015 BPB, абсолютная разница — примерно 0,0094. Точное значение Hyra составляет 0,901543 на 1× B200. Обучение заняло около 300,1 секунды, а полный запуск с подготовкой и оценкой — около 348,4 секунды. Улучшение здесь означает снижение ошибки на проверочных данных, а не рост точности ответов на произвольные вопросы.

Наш совет: командам, оптимизирующим обучение небольших моделей, стоит начать с воспроизведения проекта и проверить видеопамять, подготовку данных и метод оценки. Для коммерческого обучения важны показатели на собственном наборе данных и итоговая стоимость. Нельзя переносить пользу пятиминутного теста на модели любого размера.

Запись Hyra nanochat · Исходный результат Recursive

Скорость обучения: nanoGPT Speedrun сокращается примерно с 77,5 до 76,435 секунды

В эксперименте nanoGPT Speedrun открытый скрипт Hyra использует FP8 для больших матричных операций и меняет расписание обучения. В репозитории сохранены три запуска: 76,431, 76,467 и 76,408 секунды, в среднем 76,435 секунды, со средней ошибкой на проверочных данных около 3,28007. По сравнению с указанным в репозитории исходным временем около 77,5 секунды это на 1,1 секунды, или примерно 1,4%, меньше.

У результата строгие условия: 8× H100, соответствующие версии CUDA, PyTorch, Triton и набор данных. Средняя ошибка округляется до 3,280, но отображение 3,280 не означает, что каждый запуск дал значение строго ниже 3,280.

Наш совет: рассматривать эту оптимизацию FP8 как вариант обновления стоит только при близкой среде обучения. Мы сначала повторили бы эксперимент не менее трёх раз и сравнили среднее значение, разброс и итоговую ошибку. Если система уже использует другие реализации операций, начните с небольшого A/B-теста.

Три эксперимента Hyra nanoGPT

Оценка операций на GPU: SOL-ExecBench растёт с 0,754 до 0,771

В открытом сравнении SOL-ExecBench совокупная оценка SOL для Recursive составляет 0,754, а Hyra сообщает 0,771, то есть на 0,017 больше. SOL показывает близость реализации к пределу производительности, определённому этим тестом. Это не 77,1% корректности произвольного кода. Tencent также опубликовала 10 примеров с проверкой корректности, но они не заменяют полный набор задач теста.

Наш совет: командам шлюзов инференса и GPU-сервисов стоит начать с операций, которые действительно создают нагрузку в продукте, и записывать задержки P50/P95, пропускную способность, видеопамять и численную ошибку. Лучший результат отдельного микротеста не обязательно снижает стоимость всего сервиса.

Hyra SOL-ExecBench · Опубликованные результаты Recursive

Маршрутизация квантовых схем: дополнительные CNOT сокращаются с 269 037 до 258 369

В квантовых вычислениях тоже есть измеримые задачи оптимизации. Если два кубита не соседствуют в физическом устройстве, алгоритму маршрутизации приходится добавлять операции. Tencent приводит 61 проверенную схему и сравнение с исходными данными SimpleTES на трёх топологиях: Q20, типа Willow и типа Heron.

По единой методике таблицы это на 10 668 CNOT меньше, или примерно на 4,0%. Показатель отражает накладные расходы размещения схемы на устройстве, а не ускорение всего квантового компьютера на 4%.

Наш совет: при компиляции квантовых схем сначала проверьте созданный OpenQASM и ограничения связности. Если вы просто выбираете универсальный ИИ-чат, этот результат напрямую не связан с качеством повседневных ответов.

Проект квантовых схем · Статья SimpleTES

Инференс белков: около 130 000 остатков в секунду у HyPLM-Flash и пакетное проектирование за миллисекунды у HyInv

Это показатели самостоятельных моделей, созданных Hyra 2.0, а не сквозная скорость агента. Tencent сообщает для HyPLM-Flash около 130 000 остатков в секунду на одной H20 в конфигурации INT8. В сопутствующем сравнении на 32 задачах и 28 открытых контрольных точках коэффициент корреляции Спирмена в ProteinGym без дообучения на задаче составил 0,409, статистически близко к нескольким белковым кодировщикам сопоставимого размера. Это корреляция, а не точность классификации.

Для HyInv генерация на H20 пакета из 128 вариантов белков длиной около 148 занимает примерно 25 миллисекунд в оптимизированном режиме BF16 и 999 миллисекунд в эталонной реализации. Но время не включает первую компиляцию и захват CUDA Graph. Кроме того, оптимизированный вариант и эталонный FP32 дают численные различия, поэтому одной скорости недостаточно для решения о замене.

Наш совет: биологическим исследовательским командам следует отдельно оценивать качество, пакетную производительность и воспроизводимость. Если обычно обрабатывается одна короткая последовательность, сначала измерьте задержку первого запроса. Остатки в секунду важнее для крупных офлайн-пакетов. Оценка последовательностей также не заменяет лабораторную проверку.

HyPLM-Flash · HyInv

Сравнение Hunyuan Hyra 2.0 с Recursive, SimpleTES, TTT-Discover и AlphaEvolve

Здесь сравниваются системы автоматизации исследований и исследовательские подходы, а не четыре «чат-модели», которые можно подставить в один и тот же интерфейс. По возможности мы используем цифры для общих задач. Там, где единого теста нет, сравниваем только методы работы и области применения.

Recursive: Hyra опубликовала улучшения на похожих задачах автоматизированного исследования ИИ

Работа Recursive First Steps Toward Automated AI Research даёт прямую точку сравнения. Она описывает результаты по обучению небольших моделей с фиксированным бюджетом, скорости обучения и оптимизации операций GPU. Hyra использует эти исходные показатели в своём открытом каталоге:

На наш взгляд, Hyra показала способность улучшать показатели на этих открытых задачах. Но в экспериментах разных организаций нужно внимательно сверять код, оборудование и оценочные программы. Рекомендация по применению: если команда изучает алгоритмы обучения или производительность GPU, полезно воспроизвести оба репозитория. Если нужен лишь готовый API для поддержки клиентов или написания текстов, эти оценки не требуют менять повседневную модель.

Записи Hyra · Исследование Recursive

SimpleTES: обе системы опираются на объективную оценку, а Hyra добавляет меньше вентилей в открытом тесте квантовой маршрутизации

SimpleTES изучает, как расширять цикл «кандидат, автоматическая оценка, дальнейший поиск». Статья охватывает 21 научную задачу в 6 областях и публикует, в частности, результаты маршрутизации квантовых схем. В открытом сравнении на трёх аппаратных топологиях Hyra снизила общее число дополнительных CNOT с 269 037 до 258 369. В этом отношении предложено более удачное решение.

Однако улучшение одной задачи не означает превосходства исследовательской системы во всём. Сильная сторона SimpleTES — системное описание оценки экспериментов и стратегий масштабирования, полезное для построения собственного процесса научной оптимизации. Рекомендация по применению: для проектирования платформы автоматических экспериментов начните с метода SimpleTES. Для изучения конкретных результатов квантовой маршрутизации обратитесь к файлам OpenQASM Hyra.

Оригинальная статья SimpleTES · Результаты квантовой маршрутизации Hyra

TTT-Discover: обучение продолжается во время решения, а Hyra показывает последующие математические улучшения

Особенность TTT-Discover в том, что модель продолжает учиться, решая конкретную научную задачу, вместо многократных запросов к неизменной модели. Статья описывает открытия в математике, операциях GPU и биологическом анализе и сопровождается воспроизводимым кодом. Hyra ссылается на предыдущий результат 1,502870 для константы автокорреляции и сообщает об улучшении до 1,502850. Разница мала, но ценность уточнения математических границ нельзя оценивать только по процентному изменению.

Полного открытого сравнения с одинаковыми методами и экспериментальными бюджетами нет. Рекомендация по применению: для изучения обучения модели прямо в ходе решения задачи сначала посмотрите TTT-Discover. Чтобы понять, как оформлять результаты в виде кода, численных свидетельств и материалов статьи, полезен пример Hyra.

Статья TTT-Discover · Математические результаты Hyra

Google AlphaEvolve: проверяемые научные результаты и опыт крупных внедрений

AlphaEvolve от Google DeepMind также объединяет языковые модели с автоматическими оценщиками для поиска лучших алгоритмов. Google описывает реальные внедрения в планирование работы дата-центров, проектирование чипов и обучение моделей. Один пример — высвобождение в среднем около 0,7% вычислительных ресурсов дата-центров. Это результат в рабочей инфраструктуре, а не общий с Hyra тест, поэтому мы не сводим эти цифры в таблицу с искусственным рейтингом.

У Hyra интересны открытые материалы по математике, квантовым задачам и белкам. У AlphaEvolve — опыт переноса экспериментальных улучшений в рабочую инфраструктуру. Рекомендация по применению: если вы управляете онлайн-сервисами, полезно изучить производственную проверку и подсчёт долгосрочной пользы в AlphaEvolve. Если хотите научиться представлять проверяемые научные результаты, тематические каталоги Hyra помогают найти отдельный эксперимент для воспроизведения.

Google DeepMind AlphaEvolve · Развитие внедрений AlphaEvolve

Частые вопросы об API Hunyuan Hyra 2.0

Почему в списке моделей API Hop нет hyra-2.0?

Потому что в текущем открытом каталоге Hyra 2.0 не указана как доступная для вызова текстовая модель. Если API Hop добавит поддержку hyra-2.0, мы сразу сообщим об этом.

Документация единого Chat Completions · Репозиторий результатов Hyra

Как вызывать HyInv и HyPLM-Flash из программы?

У этих двух самостоятельных моделей, обученных Hyra 2.0, есть конкретные интерфейсы. Однако их использование не равно вызову API агента Hyra. HyInv поддерживает командную строку и Python, например:

# Запускайте в среде с установленным HyInv; structure.pdb — файл структуры, предоставленный пользователем
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash предоставляет интерфейс кодирования на Python, например:

from hyplm import HyPLMEncoder

# Сначала скачайте, объедините и проверьте веса по инструкции проекта
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

Мы советуем разворачивать их как отдельные сервисы: установить указанные в репозитории зависимости и проверить ввод и вывод на небольшой выборке. Ускоренная реализация HyPLM-Flash также зависит от CUDA, Triton и подходящей GPU-среды. Нельзя рассчитывать на официальную пропускную способность на любом CPU или GPU.

Установка и вызов HyInv · Установка и вызов HyPLM-Flash

Почему при воспроизведении результаты отличаются и как оценивать стоимость?

Сначала разделите затраты на инференс моделей, воспроизведение обучения и полноценного исследовательского агента. В открытом запуске nanochat используется одна B200, а в nanoGPT Speedrun — восемь H100. Нужны соответствующие данные, драйверы, зависимости и настройки проверки. Даже при одинаковом коде на итог влияют частота GPU, кеш компиляции, нагрузка и случайность. Ускоренный тест HyInv прямо исключает время первой компиляции Triton и захвата CUDA Graph.

Поэтому мы оцениваем три вещи: достигнуто ли нужное качество, сколько заняла вся задача и сколько ресурсов потребовалось на один проверенный результат. Для обучения записывайте GPU-часы и среднее минимум трёх запусков. Для онлайн-инференса отдельно измеряйте задержку первого запроса, устойчивую пропускную способность, видеопамять и долю ошибок. Для исследовательского агента учитывайте неудачные эксперименты и время ручной проверки. Сейчас проверяемой цены универсального API Hyra 2.0 нет, и мы не будем придумывать стоимость токена.

Инструкция по воспроизведению Hyra nanochat · Инструкция по воспроизведению nanoGPT Speedrun