Hunyuan Hyra 2.0: จากงานวิจัยอัตโนมัติสู่การออกแบบโปรตีน พร้อมความสามารถ ผลทดสอบ และคู่มือ API

Hunyuan Hyra 2.0 คืออะไร

Hyra 2.0 เป็นเอเจนต์วิจัยอัตโนมัติของ Tencent Hunyuan ไม่ใช่โมเดลแชตทั่วไป

โมเดลแชตมีหน้าที่ตอบคำถาม ส่วนเอเจนต์วิจัยต้องทำงานกับปัญหาที่ตรวจสอบได้อย่างต่อเนื่องจนได้ผลลัพธ์ Tencent เรียก Hyra ว่า Hunyuan Research Agent ผลงานที่เปิดเผยครอบคลุมการฝึกโมเดลขนาดเล็ก ตัวดำเนินการบน GPU ปัญหาคณิตศาสตร์ วงจรควอนตัม การสร้างโมเดลโปรตีน และอัลกอริทึมการพยากรณ์

ตัวอย่างเช่น เครื่องมือแชตทั่วไปอาจบอกได้ว่า “จะทำให้การฝึกเร็วขึ้นได้อย่างไร” แต่เป้าหมายของเอเจนต์วิจัยใกล้เคียงกับ “แก้สคริปต์ฝึก รันการทดลอง วัดผลใหม่ และเก็บโค้ดกับบันทึกให้ตรวจสอบได้” เรามองว่าประเด็นสำคัญของ Hyra ไม่ใช่การสนทนาที่เป็นธรรมชาติ แต่คือวิธีที่ค้นพบทำซ้ำได้หรือไม่ ดีกว่าผลอ้างอิงเดิมหรือไม่ และคุ้มค่ากับทรัพยากรประมวลผลหรือไม่

คลัง Hyra-results ที่ Tencent เปิดเผยเก็บวิธีแก้ขั้นสุดท้ายและสคริปต์ทำซ้ำบางส่วนเป็นหลัก ยังไม่ได้เปิดเผยการจัดลำดับงานวิจัย กลยุทธ์ค้นหา หรือโมเดลเบื้องหลังของเอเจนต์อย่างครบถ้วน คลังผลลัพธ์ Hyra

ใช้ผลการทดลองนำทางงานวิจัย: เชื่อมโค้ด คะแนน และการตรวจสอบเข้าด้วยกัน

ผลงานสาธารณะของ Hyra มีจุดร่วมคือ ปัญหามักมีเป้าหมายที่คำนวณได้ เช่น ค่าความสูญเสียบนชุดตรวจสอบหลังฝึกยิ่งต่ำยิ่งดี เวลาฝึกที่ความแม่นยำเท่ากันยิ่งสั้นยิ่งดี หรือจำนวนเกตที่ต้องเพิ่มในวงจรควอนตัมยิ่งน้อยยิ่งดี วิธีนี้ทำให้แนวคิดที่ดีมีโอกาสกลายเป็นโค้ด บันทึกการทำงาน หรือเอกสารพิสูจน์ แทนที่จะจบลงแค่คำอธิบายที่ฟังดูสมเหตุสมผล

เราแนะนำให้เข้าใจวิธีวิจัยนี้เป็นสี่ขั้นตอนที่ตรวจรับได้ ได้แก่ กำหนดตัวชี้วัด สร้างแนวทางที่เป็นไปได้ ประเมินด้วยสภาพแวดล้อมภายนอก และเก็บผลที่ผ่านการตรวจสอบ นี่เป็นรูปแบบการทำงานที่สรุปจากผลงานสาธารณะ ไม่ได้หมายความว่า Tencent เปิดเผยสถาปัตยกรรมภายในทั้งหมดของ Hyra 2.0 แล้ว

สำหรับผู้ใช้ทั่วไป ตัวอย่างที่เข้าใจง่ายคือ “ช่วยทำให้โปรแกรมที่ใช้งานได้อยู่แล้วทำงานเร็วขึ้น” โดยเราต้องเตรียมข้อมูลทดสอบ สภาพแวดล้อมการทำงาน และเกณฑ์ผ่านที่ชัดเจน หากบอกเพียงว่า “ทำให้อัลกอริทึมดีขึ้น” แม้โมเดลจะเก่งเพียงใดก็ยากที่จะรู้ว่าอะไรคือความสำเร็จ

Hyra 2.0 สร้างโมเดลโปรตีนแล้ว แต่ผลงานเหล่านี้ไม่ใช่ตัวเอเจนต์เอง

ณ วันที่ตรวจสอบ Tencent เผยแพร่สองโครงการที่น่าสนใจในคลังผลลัพธ์ โครงการแรกคือ HyInv โมเดลการพับย้อนกลับของโปรตีนที่มีประมาณ 1.96 ล้านพารามิเตอร์ ใช้โครงกระดูกของโปรตีนสร้างลำดับกรดอะมิโน อีกโครงการคือ HyPLM-Flash โมเดลภาษาโปรตีนประมาณ 650 ล้านพารามิเตอร์ สำหรับสร้างตัวแทนของลำดับโปรตีนและงานทำนายที่เกี่ยวข้อง README ของทั้งสองระบุว่าฝึกโดย Hyra 2.0

เราขอย้ำว่า HyInv และ HyPLM-Flash เป็นโมเดลอิสระที่ดาวน์โหลดโค้ดและน้ำหนักมารันตามคู่มือได้ ทั้งสอง ไม่ใช่ โมเดลสนทนาอเนกประสงค์ชื่อ hyra-2.0 โมเดลหนึ่งออกแบบลำดับจากโครงสร้าง ส่วนอีกโมเดลเข้ารหัสลำดับเพื่อใช้วิเคราะห์ต่อ สำหรับนักวิจัย สิ่งนี้จับต้องได้กว่าคำว่า “AI ทำวิจัยได้” เพราะอย่างน้อยก็เริ่มทำซ้ำจากงานเฉพาะอย่างหนึ่งได้

เอกสารโครงการ: README ของ HyInv · README ของ HyPLM-Flash

ความสามารถหลักและจุดเด่นของ Hunyuan Hyra 2.0

วิจัย AI อัตโนมัติ: ปรับสูตรฝึกโมเดลเล็ก ไม่ใช่แค่ให้คำแนะนำ

เรามองว่าคุณค่าอย่างแรกของ Hyra คือการค้นหาวิธีฝึกโดยอัตโนมัติ โครงการ nanochat_autoresearch เปิดเผย train.py สคริปต์รัน และบันทึกการฝึกครบถ้วน การตั้งค่าที่เผยแพร่ใช้ NVIDIA B200 หนึ่งใบ ภายใต้งบเวลาฝึกคงที่ประมาณ 300 วินาที และได้ BPB บนชุดตรวจสอบ 0.901543 อธิบายง่าย ๆ ได้ว่า BPB เป็นค่าความสูญเสียที่ใช้วัดความสามารถทำนายข้อความ สำหรับงานนี้ยิ่งต่ำยิ่งดี

สำหรับนักพัฒนา ผลงานนี้จึงไม่ใช่เพียงบทความ “เคล็ดลับปรับพารามิเตอร์” แบบกว้าง ๆ แต่มีรายละเอียดเรื่องช่วงความสนใจ การตั้งค่าตัวปรับค่าเหมาะที่สุด คุณลักษณะ n-gram เพิ่มเติม และตารางการฝึก เราแนะนำให้ศึกษาการเปลี่ยนแปลงที่ทำซ้ำได้ก่อน แล้วค่อยตัดสินว่าเหมาะกับโมเดลของตนหรือไม่ แทนการคัดลอกสูตรฝึกไปใช้กับข้อมูลที่มีขนาดต่างกันมาก การทดลอง nanochat

ปรับตัวดำเนินการ GPU: ทำให้ความเร็วที่เพิ่มขึ้นอยู่ในโค้ดที่รันได้จริง

ข้อเข้าใจผิดที่พบบ่อยในการปรับ GPU คือโค้ดที่ดูทันสมัยกว่าจะเร็วกว่า ทั้งที่จริงอาจช้าลงหรือคำนวณผิดกับข้อมูลบางแบบ Hyra เผยแพร่ผลงานที่ส่งจริงบางส่วนใน SOL-ExecBench ครอบคลุม attention การกระจายงาน MoE การคูณเมทริกซ์ และตัวดำเนินการในช่วงอนุมาน ไดเรกทอรีสาธารณะมี 10 ตัวอย่างที่ผ่านการตรวจสอบความถูกต้อง พร้อมหมายเลขส่งงาน เวลาแฝง และคะแนนของแต่ละรายการ

เราสนใจเป็นพิเศษที่มีการเก็บสถานะความถูกต้องไว้ เช่น ตัวอย่าง Flash/GQA attention รายการหนึ่งมีเวลาแฝง 0.177612 มิลลิวินาที แต่ตัวเลขนี้ใช้กับงานและฮาร์ดแวร์ที่ทดสอบนั้นเท่านั้น ไม่ได้แปลว่า attention ของทุกโมเดลจะเร็วเท่ากัน สำหรับทีมบริการอนุมาน เราแนะนำให้กำหนดรูปร่างข้อมูลเข้า ความละเอียดตัวเลข ฮาร์ดแวร์ และรุ่นคอมไพเลอร์ให้คงที่ก่อน แล้วค่อยเทียบเวลาแฝงและความสอดคล้องของผลลัพธ์ก่อนและหลังปรับ

ผลงานตัวดำเนินการ GPU

การค้นพบทางคณิตศาสตร์: จากคำตอบที่เป็นไปได้สู่หลักฐานที่ตรวจสอบได้

คณิตศาสตร์เป็นอีกด้านที่น่าจับตาสำหรับเอเจนต์วิจัย คลัง Hyra บันทึกผลด้านเรขาคณิต คณิตศาสตร์เชิงการจัด และอสมการตัวดำเนินการ เช่น ขอบเขตล่างของปริมาตรวัตถุนูนที่มีความกว้างคงที่ในสามมิติเพิ่มจากประมาณ 0.380799 เป็น 0.411040 นอกจากนี้ บันทึกที่เพิ่มเมื่อวันที่ 2 พฤศจิกายน 2026 ยังรายงานผลเกี่ยวกับข้อคาดการณ์จุดที่ห่างเท่ากันของ Petty ในห้ามิติ และตัวอย่างค้านข้อคาดการณ์การกระทำของวงกลมของ Yau ในกรณีที่ไม่เชื่อมโยงเชิงเดียว

ไม่ควรสรุปผลงานเหล่านี้เป็น “AI แก้ข้อคาดการณ์ทางคณิตศาสตร์ทั้งหมดแล้ว” เราให้ความสำคัญกับขอบเขตของบทพิสูจน์ ส่วนที่ผ่านการตรวจสอบเชิงรูปแบบจริง และความจำเป็นในการให้ผู้เชี่ยวชาญคณิตศาสตร์ทบทวน สำหรับงานวิจัยจริงจัง ควรเก็บข้อความทฤษฎีบทเดิม สมมติฐานครบถ้วน ไฟล์พิสูจน์ และบันทึกตรวจสอบอิสระก่อนนำไปอ้างอิง

ไดเรกทอรีผลงานคณิตศาสตร์

ออกแบบโปรตีน: HyInv เปลี่ยนโครงสร้างเป็นลำดับกรดอะมิโนที่เป็นไปได้

HyInv รับมือกับงานที่เฉพาะเจาะจงมาก คือเมื่อนักวิจัยมีโครงสร้างสายหลักของโปรตีนแล้วและต้องการออกแบบลำดับที่อาจเข้ากับโครงนั้น โครงการรองรับการใช้ผ่านคำสั่งและ Python อ่านไฟล์โครงสร้าง PDB เลือกสาย ตรึงตำแหน่งที่กำหนด และสร้างลำดับหลายตัวเลือกด้วยค่าเริ่มต้นสุ่มที่ระบุ น้ำหนักที่เผยแพร่มีขนาดประมาณ 7.8 MB และโค้ดอ้างอิงทำงานบน CPU หรือ GPU ได้

ประโยชน์สำหรับทีมเทคโนโลยีชีวภาพคือ ทำขั้นตอนสร้างลำดับซ้ำ ๆ ให้เป็นโปรแกรมได้ แต่เราไม่ตีความ “สร้างลำดับได้” ว่า “ค้นพบยาที่ใช้ได้ผล” ลำดับที่ได้ยังต้องตรวจสอบโครงสร้าง ความเสถียร และทดลองจริง เราแนะนำให้เริ่มจากโครงสร้างสาธารณะไม่กี่รายการเพื่อตรวจรูปแบบและผลลัพธ์ จากนั้นคัดกรองด้วยระบบประเมินโครงสร้างของทีมเอง แล้วจึงเข้าสู่ขั้นทดลอง

โครงการ HyInv และวิธีรัน

วิเคราะห์ลำดับโปรตีน: HyPLM-Flash เหมาะกับการเข้ารหัสเป็นชุดและงานทำนายต่อเนื่อง

HyPLM-Flash มีหน้าที่ต่างจาก HyInv โดยรับลำดับโปรตีนและส่งออกเวกเตอร์แทนแต่ละหน่วยกรดอะมิโนหรือทั้งลำดับ รวมถึง logits สำหรับให้คะแนนการกลายพันธุ์ โค้ดที่ Tencent เผยแพร่มีเอนจินอนุมาน INT8 และรายงานอัตราประมวลผลประมาณ 130,000 หน่วยกรดอะมิโนต่อวินาที บน H20 หนึ่งใบ ตัวเลขนี้มาจากสภาพแวดล้อมที่ผู้พัฒนากำหนด ไม่ใช่การรับรองความเร็วบนการ์ดจอทุกแบบ

เราแนะนำให้มองเป็น “ตัวสกัดคุณลักษณะของลำดับในระบบวิจัย” เช่น เข้ารหัสโปรตีนจำนวนมากแล้วส่งเวกเตอร์ให้โปรแกรมจำแนก จัดกลุ่ม หรือทำนายคุณสมบัติของตน สำหรับนักพัฒนาทั่วไป การเข้าใจว่ารับลำดับกรดอะมิโนและคืนเวกเตอร์มีประโยชน์กว่าการยึดติดกับจำนวน 650 ล้านพารามิเตอร์ ส่วนนักวิจัยควรเทียบความแม่นยำ ขนาดชุดประมวลผล และเวลาเริ่มทำงานครั้งแรก เพื่อเลือกระหว่าง INT8 กับ BF16 ให้เหมาะกับงาน

โครงการ HyPLM-Flash

ผลทดสอบและประสิทธิภาพของ Hunyuan Hyra 2.0

ส่วนนี้ใช้ ข้อมูลทดลองแยกตามงาน ที่ Tencent เปิดเผย ตัวเลขเหล่านี้ไม่ใช่อันดับโมเดลแชต Hyra 2.0 ภายใต้วิธีวัดเดียวกัน บางส่วนเป็นบันทึกการค้นพบของระบบวิจัย Hyra และบางส่วนเป็นการประเมินโมเดลอิสระที่ Hyra 2.0 ฝึกขึ้น จะได้ผลเช่นเดียวกันในงานของคุณหรือไม่ ยังขึ้นกับสภาพแวดล้อมทดสอบและผลอ้างอิงที่ใช้

คุณภาพการฝึกโมเดลภาษา: BPB ตรวจสอบของ nanochat ลดจาก 0.9109 เป็น 0.9015

คลัง Tencent เปรียบเทียบกับสถิติประเภทเดียวกันที่ Recursive เผยแพร่ โดยสถิติเดิมคือ 0.9109 BPB ส่วน Hyra ได้ประมาณ 0.9015 BPB ต่างกันแบบสัมบูรณ์ประมาณ 0.0094 ตัวเลขจริงของ Hyra คือ 0.901543 บน 1× B200 ใช้เวลาฝึกประมาณ 300.1 วินาที และเวลารวมการเตรียมกับประเมินประมาณ 348.4 วินาที คำว่า “ดีขึ้น” ในที่นี้หมายถึงค่าความสูญเสียตรวจสอบลดลง ไม่สามารถแปลงเป็นความแม่นยำตอบคำถามทั่วไปที่เพิ่มขึ้นได้

คำแนะนำของเรา: หากทีมกำลังปรับการฝึกโมเดลเล็ก ลองใช้โครงการนี้เป็นการทดลองทำซ้ำเพื่อตรวจหน่วยความจำ GPU การเตรียมข้อมูล และวิธีตรวจสอบ สำหรับการฝึกเชิงธุรกิจยังต้องดูตัวชี้วัดบนข้อมูลของตนและต้นทุนสุดท้าย อย่านำผลดีจากเกณฑ์ทดสอบห้านาทีไปเหมารวมกับโมเดลทุกขนาด

ผล nanochat ของ Hyra · ผลอ้างอิง Recursive

ความเร็วการฝึก: nanoGPT Speedrun ลดจากประมาณ 77.5 วินาทีเป็น 76.435 วินาที

ในการทดลอง nanoGPT Speedrun สคริปต์สาธารณะของ Hyra ใช้ FP8 กับการคำนวณเมทริกซ์ขนาดใหญ่และปรับแผนการฝึก คลังเก็บผลสามรอบคือ 76.431, 76.467, 76.408 วินาที เฉลี่ย 76.435 วินาที โดยค่าความสูญเสียตรวจสอบเฉลี่ยประมาณ 3.28007 เมื่อเทียบกับผลอ้างอิงประมาณ 77.5 วินาที ที่คลังระบุ เวลาลดลงประมาณ 1.1 วินาที หรือ 1.4%

เงื่อนไขของผลนี้เฉพาะเจาะจงมาก ได้แก่ 8× H100 รุ่น CUDA, PyTorch, Triton และชุดข้อมูลที่ตรงกัน ค่าความสูญเสียเฉลี่ยเมื่อปัดเศษเป็น 3.280 ไม่ได้หมายความว่าทุกการทดลองมีค่าต่ำกว่า 3.280 อย่างเคร่งครัด

คำแนะนำของเรา: ควรพิจารณาปรับเป็น FP8 แบบนี้เมื่อสภาพแวดล้อมฝึกใกล้เคียงกันเท่านั้น เราจะทำซ้ำอย่างน้อยสามรอบ เทียบค่าเฉลี่ย ความผันผวน และค่าความสูญเสียสุดท้าย หากระบบของตนใช้ตัวดำเนินการแบบอื่นอยู่แล้ว ให้เริ่มด้วยการทดสอบ A/B ในวงเล็ก

การทดลอง nanoGPT สามรอบของ Hyra

คะแนนตัวดำเนินการ GPU: SOL-ExecBench เพิ่มจาก 0.754 เป็น 0.771

ในการเปรียบเทียบ SOL-ExecBench ที่เปิดเผย คะแนน SOL รวมของ Recursive คือ 0.754 ส่วนคลัง Hyra รายงาน 0.771 เพิ่มขึ้น 0.017 SOL วัดว่าโค้ดทำงานใกล้ขีดจำกัดประสิทธิภาพที่เกณฑ์ทดสอบกำหนดเพียงใด ไม่ใช่อัตราความถูกต้องของโค้ดทั่วไป 77.1% Tencent ยังเผยแพร่ 10 ตัวอย่างที่ผ่านการตรวจความถูกต้อง แต่ตัวอย่างเหล่านี้ใช้แทนชุดข้อมูลทดสอบทั้งหมดไม่ได้

คำแนะนำของเรา: สำหรับทีมเกตเวย์อนุมานหรือบริการ GPU เราจะเลือกทดสอบตัวดำเนินการที่เป็นคอขวดจริงของงานก่อน พร้อมเก็บเวลาแฝง P50/P95 อัตราประมวลผล หน่วยความจำ GPU และความคลาดเคลื่อนเชิงตัวเลข การมุ่งเอาคะแนนสูงสุดในแบบทดสอบย่อยเพียงอย่างเดียวอาจไม่ลดต้นทุนตลอดทั้งบริการ

SOL-ExecBench ของ Hyra · ผลที่ Recursive เผยแพร่

การจัดเส้นทางวงจรควอนตัม: CNOT ที่เพิ่มลดจาก 269,037 เป็น 258,369

ควอนตัมคอมพิวเตอร์ก็มีงานปรับปรุงที่วัดเป็นตัวเลขได้ เมื่อคิวบิตสองตัวไม่ได้อยู่ติดกันบนอุปกรณ์จริง อัลกอริทึมจัดเส้นทางต้องเพิ่มการดำเนินการ คลัง Tencent บันทึก 61 วงจรที่ผ่านการตรวจสอบ และเปรียบเทียบโครงสร้างการเชื่อมต่อ Q20 แบบ Willow และแบบ Heron กับผลอ้างอิงที่ SimpleTES ระบุ:

เมื่อใช้วิธีนับเดียวกันในตาราง CNOT ลดลงรวม 10,668 หรือประมาณ 4.0% ตัวเลขนี้วัดภาระที่เพิ่มจากการแมปวงจร ไม่ได้หมายความว่าควอนตัมคอมพิวเตอร์ทั้งเครื่องเร็วขึ้น 4%

คำแนะนำของเรา: หากพัฒนาคอมไพเลอร์วงจรควอนตัม ให้ตรวจ OpenQASM ที่สร้างขึ้นและข้อจำกัดการเชื่อมต่อก่อน หากเพียงเลือกเครื่องมือแชต AI ทั่วไป ผลนี้ไม่ได้เกี่ยวกับคุณภาพการตอบคำถามประจำวันโดยตรง

โครงการวงจรควอนตัม · บทความ SimpleTES

การอนุมานโปรตีน: HyPLM-Flash ประมาณ 130,000 หน่วยกรดอะมิโนต่อวินาที และ HyInv ออกแบบเป็นชุดได้ในระดับมิลลิวินาที

ผลกลุ่มนี้มาจาก โมเดลอิสระที่ Hyra 2.0 สร้างขึ้น ไม่ใช่ความเร็วตลอดกระบวนการของเอเจนต์ Tencent รายงาน HyPLM-Flash ที่ประมาณ 130,000 หน่วยกรดอะมิโนต่อวินาที บน H20 หนึ่งใบด้วย INT8 และในการเปรียบเทียบประกอบที่มี 32 งานกับน้ำหนักโมเดลสาธารณะ 28 ชุด โมเดลมีค่าสหสัมพันธ์ Spearman บน ProteinGym แบบ zero-shot เท่ากับ 0.409 ซึ่งใกล้เคียงเชิงสถิติกับตัวเข้ารหัสโปรตีนบางตัวที่มีขนาดใกล้กัน ตัวชี้วัดนี้วัดความสัมพันธ์ ไม่ใช่ความแม่นยำในการจำแนก

HyInv รายงานว่าการสร้างแบบโปรตีน 128 รายการที่ยาวประมาณ 148 หน่วยเป็นชุดบน H20 ใช้เวลาประมาณ 25 มิลลิวินาที ในเส้นทาง BF16 ที่ปรับแล้ว เทียบกับประมาณ 999 มิลลิวินาที ในโค้ดอ้างอิง แต่เวลานี้ ไม่รวมการคอมไพล์ครั้งแรกและการบันทึก CUDA Graph อีกทั้งเส้นทางที่ปรับแล้วยังให้ผลเชิงตัวเลขต่างจากเส้นทางอ้างอิง FP32 จึงไม่ควรตัดสินใจเปลี่ยนโดยดูความเร็วอย่างเดียว

คำแนะนำของเรา: ทีมวิจัยชีวภาพควรประเมินคุณภาพ อัตราประมวลผลเป็นชุด และการทำซ้ำแยกกัน หากงานมักประมวลผลเพียงลำดับสั้นหนึ่งลำดับ ควรวัดเวลาแฝงคำขอแรกก่อน งานออฟไลน์ปริมาณมากจึงค่อยให้ความสำคัญกับจำนวนหน่วยกรดอะมิโนต่อวินาที และคะแนนลำดับไม่สามารถแทนการตรวจสอบในห้องทดลองได้

HyPLM-Flash · HyInv

เปรียบเทียบ Hunyuan Hyra 2.0 กับ Recursive, SimpleTES, TTT-Discover และ AlphaEvolve

สิ่งที่เปรียบเทียบในส่วนนี้เป็นระบบทำวิจัยอัตโนมัติหรือกรอบงานวิจัย ไม่ใช่ “โมเดลสนทนา” สี่ตัวที่สลับใช้แทนกันใน API แชตเดียวกันได้ทันที เราพยายามใช้ตัวเลขจากงานร่วมกัน ส่วนที่ไม่มีการทดสอบมาตรฐานเดียวกันจะเทียบเฉพาะวิธีทำงานและกรณีใช้งาน

เทียบกับ Recursive: Hyra เผยแพร่ผลที่ปรับดีขึ้นในงานวิจัย AI อัตโนมัติประเภทเดียวกัน

First Steps Toward Automated AI Research ของ Recursive เป็นจุดอ้างอิงที่ตรงค่อนข้างมาก โดยเผยแพร่ผลสามด้าน ได้แก่ การฝึกโมเดลเล็กด้วยงบคงที่ ความเร็วการฝึก และการปรับตัวดำเนินการ GPU ส่วน Hyra ใช้ผลอ้างอิงเหล่านี้เปรียบเทียบต่อในคลังสาธารณะ:

เรามองว่า Hyra แสดงความสามารถในการปรับตัวชี้วัดเหล่านี้ให้ดีขึ้นอีก แต่การทดลองข้ามองค์กรยังต้องตรวจโค้ด ฮาร์ดแวร์ และตัวให้คะแนนอย่างละเอียด คำแนะนำตามงาน: หากทีมศึกษาวิธีฝึกหรือประสิทธิภาพ GPU สามารถทำซ้ำทั้งสองคลังเพื่อเทียบกันได้ แต่หากต้องการเพียง API สำเร็จรูปสำหรับบริการลูกค้าหรือเขียนข้อความ ก็ไม่จำเป็นต้องเปลี่ยนโมเดลประจำเพราะคะแนนเหล่านี้

ผล Hyra · งานวิจัย Recursive

เทียบกับ SimpleTES: ทั้งคู่ใช้คะแนนที่วัดได้ แต่ Hyra ใช้เกตน้อยกว่าในงานจัดเส้นทางควอนตัมที่เผยแพร่

SimpleTES ศึกษาการขยายวงจร “สร้างทางเลือก ประเมินอัตโนมัติ และค้นหาต่อ” บทความครอบคลุม 21 งานวิจัยใน 6 สาขา พร้อมเปิดเผยผล เช่น การจัดเส้นทางวงจรควอนตัม ในการเทียบบนโครงสร้างฮาร์ดแวร์สามแบบ Hyra ลด CNOT ที่เพิ่มทั้งหมดจาก 269,037 เป็น 258,369 ในแง่นี้ Hyra จึงเสนอคำตอบที่ปรับดีขึ้นอีก

อย่างไรก็ตาม เราไม่ตีความว่า “ดีกว่าในงานหนึ่ง” หมายถึง “ระบบวิจัยทั้งหมดเหนือกว่าทุกด้าน” จุดเด่นของ SimpleTES คืออธิบายการประเมินทดลองและกลยุทธ์ขยายงานอย่างเป็นระบบ เหมาะสำหรับเรียนรู้การสร้างกระบวนการปรับงานวิจัย คำแนะนำตามงาน: หากต้องการออกแบบแพลตฟอร์มทดลองอัตโนมัติของตน ให้อ่านวิธีของ SimpleTES ก่อน หากอยากดูผลงานปรับเส้นทางควอนตัมที่เป็นรูปธรรม ค่อยศึกษาไฟล์ OpenQASM ของ Hyra

บทความต้นฉบับ SimpleTES · ผลการจัดเส้นทางควอนตัมของ Hyra

เทียบกับ TTT-Discover: TTT-Discover เน้นเรียนรู้ต่อระหว่างแก้โจทย์ ส่วน Hyra แสดงสถิติการปรับคณิตศาสตร์ภายหลัง

ลักษณะสำคัญของ TTT-Discover คือโมเดลเรียนรู้ต่อขณะแก้งานวิจัยเฉพาะ แทนที่จะเพียงป้อนคำสั่งซ้ำให้โมเดลที่ไม่เปลี่ยน บทความรายงานการค้นพบด้านคณิตศาสตร์ ตัวดำเนินการ GPU และการวิเคราะห์ชีวภาพ พร้อมโค้ดที่ทำซ้ำได้ คลัง Hyra อ้างสถิติเดิมของค่าคงที่สหสัมพันธ์ในตัวเอง 1.502870 และรายงานว่าปรับเป็น 1.502850 ส่วนต่างเล็ก แต่ในงานคณิตศาสตร์ที่ต้องการขอบเขตตัวเลขแม่นยำ ไม่ควรตัดสินคุณค่างานวิจัยจากเปอร์เซ็นต์เพียงอย่างเดียว

ยังไม่มีการเปรียบเทียบสาธารณะที่ครบถ้วนด้วยวิธีและงบทดลองมาตรฐานเดียวกัน คำแนะนำตามงาน: หากศึกษาว่าโมเดลเรียนรู้ต่อในงานเฉพาะได้อย่างไร ให้เริ่มจาก TTT-Discover หากศึกษาวิธีนำเสนอผลด้วยโค้ด หลักฐานตัวเลข และเอกสารวิจัย สามารถดูวิธีจัดผลงานของ Hyra ได้

บทความ TTT-Discover · ผลงานคณิตศาสตร์ของ Hyra

เทียบกับ Google AlphaEvolve: ฝ่ายหนึ่งเน้นผลงานที่ตรวจสอบได้ อีกฝ่ายมีตัวอย่างใช้งานจริงขนาดใหญ่แล้ว

AlphaEvolve ของ Google DeepMind ใช้โมเดลภาษาร่วมกับตัวประเมินอัตโนมัติเพื่อค้นหาอัลกอริทึมที่ดีขึ้นเช่นกัน Google อธิบายการใช้งานจริงในการจัดสรรงานศูนย์ข้อมูล การออกแบบชิป และการฝึกโมเดล เช่น การคืนทรัพยากรประมวลผลในศูนย์ข้อมูลเฉลี่ยประมาณ 0.7% นี่เป็นกรณีใช้งานจริง ไม่ใช่คะแนนทดสอบงานเดียวกับ Hyra เราจึงไม่เอาตัวเลขทั้งสองฝั่งมาตัดสินแพ้ชนะในตารางเดียวกัน

สิ่งที่น่าสนใจของ Hyra คือผลงานคณิตศาสตร์ ควอนตัม และโปรตีนที่เปิดเผย ส่วน AlphaEvolve คือประสบการณ์นำการปรับปรุงจากการทดลองสู่โครงสร้างพื้นฐานจริง คำแนะนำตามงาน: หากดูแลบริการออนไลน์จริง ให้เรียนรู้แนวทางตรวจสอบในระบบใช้งานและการคิดประโยชน์ระยะยาวของ AlphaEvolve ก่อน หากต้องการเรียนรู้วิธีเผยแพร่ผลวิจัยที่ตรวจสอบได้ ไดเรกทอรีเฉพาะด้านของ Hyra ช่วยให้หาจุดเริ่มทำซ้ำสำหรับแต่ละงานได้ง่ายกว่า

Google DeepMind AlphaEvolve · ความคืบหน้า AlphaEvolve ในระบบใช้งานจริง

คำถามที่พบบ่อยเกี่ยวกับ API ของ Hunyuan Hyra 2.0

ทำไมจึงค้นหา hyra-2.0 ไม่พบในรายชื่อโมเดลของ API Hop

เพราะ แค็ตตาล็อกโมเดลสาธารณะปัจจุบันยังไม่ได้ระบุ Hyra 2.0 เป็นโมเดลข้อความที่เรียกใช้งานได้ หาก API Hop รองรับ hyra-2.0 เราจะอัปเดตข้อมูลทันที

เอกสาร Chat Completions แบบรวม · คลังผลลัพธ์ Hyra

HyInv และ HyPLM-Flash เปิดให้เรียกผ่านโปรแกรมอย่างไรบ้าง

โมเดลอิสระสองตัวที่ Hyra 2.0 ฝึกขึ้นมีช่องทางใช้งานชัดเจน แต่ ไม่เท่ากับการเรียก Hyra Agent API HyInv รองรับ CLI และ Python เช่น:

# รันในสภาพแวดล้อมที่ติดตั้ง HyInv แล้ว โดย structure.pdb คือไฟล์โครงสร้างของผู้ใช้
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash มีอินเทอร์เฟซเข้ารหัสผ่าน Python เช่น:

from hyplm import HyPLMEncoder

# ดาวน์โหลด รวม และตรวจสอบน้ำหนักตามคู่มือโครงการก่อน
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

เราแนะนำให้ติดตั้งเป็นบริการอิสระ โดยเริ่มติดตั้งไลบรารีตามที่คลังกำหนด แล้วใช้ตัวอย่างเล็ก ๆ ตรวจข้อมูลเข้าและออก การทำงานแบบเร่งความเร็วของ HyPLM-Flash ยังต้องพึ่ง CUDA, Triton และสภาพแวดล้อม GPU ที่เกี่ยวข้อง จึงไม่ควรสมมติว่า CPU หรือการ์ดจอทุกแบบจะได้อัตราประมวลผลเท่าที่ประกาศ

ติดตั้งและเรียกใช้ HyInv · ติดตั้งและเรียกใช้ HyPLM-Flash

ทำไมทำซ้ำแล้วผลไม่เท่ากัน และควรประเมินต้นทุนอย่างไร

เราแนะนำให้แยกต้นทุน การอนุมานโมเดล การทำซ้ำการฝึก และเอเจนต์วิจัยเต็มระบบ ก่อน ผล nanochat สาธารณะใช้ B200 หนึ่งใบ ส่วน nanoGPT Speedrun ใช้ H100 แปดใบ ทั้งคู่ต้องใช้ข้อมูล ไดรเวอร์ ไลบรารี และการตั้งค่าตรวจสอบที่ตรงกัน แม้โค้ดเดียวกัน ความถี่ GPU แคชการคอมไพล์ ภาระงาน และความสุ่มก็ทำให้ตัวเลขสุดท้ายต่างได้ การทดสอบ HyInv แบบเร่งยังระบุชัดว่าไม่รวมการคอมไพล์ Triton ครั้งแรกและการบันทึก CUDA Graph

ดังนั้นเราจึงประเมินด้วยสามกลุ่มตัวชี้วัด ได้แก่ คุณภาพผ่านเกณฑ์หรือไม่ เวลารวมทั้งงาน และทรัพยากรที่ใช้ต่อผลลัพธ์ที่ผ่านตรวจสอบ งานฝึกควรเก็บชั่วโมง GPU และค่าเฉลี่ยจากอย่างน้อยสามรอบ งานอนุมานออนไลน์ควรแยกเวลาแฝงคำขอแรก อัตราประมวลผลเมื่อระบบนิ่ง หน่วยความจำ GPU และอัตราล้มเหลว ส่วนเอเจนต์วิจัยต้องนับการทดลองที่ล้มเหลวและเวลาที่คนใช้ตรวจสอบด้วย ปัจจุบันยังไม่มีราคา API อเนกประสงค์ของ Hyra 2.0 ที่ตรวจยืนยันได้ เราจึงไม่ใส่ราคาต่อโทเคนที่คาดเดาขึ้นเอง

วิธีทำซ้ำ nanochat ของ Hyra · วิธีทำซ้ำ nanoGPT Speedrun