Hunyuan Hyra 2.0: từ nghiên cứu tự động đến thiết kế protein, năng lực, số liệu thử nghiệm và hướng dẫn API

Hunyuan Hyra 2.0 là gì?

Hyra 2.0 là tác nhân nghiên cứu tự động của Tencent Hunyuan, không phải mô hình trò chuyện thông thường

Mô hình trò chuyện trả lời câu hỏi; tác nhân nghiên cứu phải theo đuổi một vấn đề có thể kiểm chứng cho đến khi có kết quả. Tencent gọi Hyra là Hunyuan Research Agent. Các kết quả công khai bao gồm huấn luyện mô hình nhỏ, toán tử GPU, bài toán khó, mạch lượng tử, mô hình hóa protein và thuật toán dự đoán.

Ví dụ, công cụ trò chuyện có thể giải thích “cách tăng tốc huấn luyện”, còn tác nhân nghiên cứu hướng đến việc “sửa mã huấn luyện, chạy thử nghiệm, thu được chỉ số mới và lưu lại mã cùng nhật ký để kiểm tra”. Theo chúng tôi, điều quan trọng khi tìm hiểu Hyra không phải là khả năng trò chuyện tự nhiên, mà là giải pháp của nó có tái lập được không, có vượt mốc tham chiếu hiện tại không và có đáng đầu tư tài nguyên tính toán không.

Kho Hyra-results do Tencent công bố chủ yếu lưu giải pháp cuối cùng và một số mã tái lập. Kho này chưa công khai đầy đủ cách tác nhân điều phối nghiên cứu, chiến lược tìm kiếm hay mô hình nền tảng. Kho kết quả Hyra

Dùng phản hồi thử nghiệm để nghiên cứu: kết nối mã, điểm số và kiểm chứng

Các kết quả công khai của Hyra có một điểm chung: bài toán thường có mục tiêu đo được. Chẳng hạn, mất mát trên tập kiểm định sau huấn luyện càng thấp càng tốt, thời gian huấn luyện với cùng độ chính xác càng ngắn càng tốt, hoặc số cổng phải thêm vào mạch lượng tử càng ít càng tốt. Nhờ đó, ý tưởng hay có thể trở thành mã cụ thể, nhật ký chạy hoặc tài liệu chứng minh, thay vì chỉ dừng ở lời giải thích nghe có lý.

Chúng tôi đề xuất hiểu cách nghiên cứu này qua bốn bước có thể nghiệm thu: xác định chỉ số mục tiêu, tạo phương án, đánh giá bằng môi trường bên ngoài và lưu kết quả đã được kiểm chứng. Đây là cách làm được suy ra từ sản phẩm công khai, không có nghĩa Tencent đã công bố toàn bộ kiến trúc bên trong Hyra 2.0.

Với người dùng phổ thông, tình huống dễ hình dung nhất là “giúp chúng tôi làm cho chương trình đang chạy này nhanh hơn”. Điều kiện là phải có dữ liệu thử nghiệm, môi trường chạy và tiêu chí nghiệm thu rõ ràng. Nếu chỉ yêu cầu “làm thuật toán tốt hơn”, dù mạnh đến đâu, mô hình cũng khó biết thế nào là thành công.

Hyra 2.0 đã tạo ra mô hình protein, nhưng sản phẩm đó không phải bản thân tác nhân

Tại thời điểm kiểm tra, Tencent đã công bố hai dự án đáng chú ý trong kho kết quả. HyInv là mô hình gấp ngược protein với khoảng 1,96 triệu tham số, tạo chuỗi axit amin từ cấu trúc khung protein. HyPLM-Flash là mô hình ngôn ngữ protein với khoảng 650 triệu tham số, dùng để biểu diễn chuỗi protein và thực hiện các nhiệm vụ dự đoán liên quan. README của cả hai đều ghi rõ chúng được Hyra 2.0 huấn luyện.

Chúng tôi muốn làm rõ: HyInv và HyPLM-Flash là các mô hình độc lập, có mã và trọng số để tải về và chạy theo hướng dẫn; chúng không phải mô hình hội thoại đa dụng mang tên hyra-2.0. Một mô hình thiết kế chuỗi từ cấu trúc, mô hình còn lại mã hóa chuỗi để phục vụ phân tích tiếp theo. Với nhà nghiên cứu, điều này cụ thể hơn lời khẳng định “AI có thể làm nghiên cứu”, vì ít nhất họ có thể bắt đầu tái lập một nhiệm vụ rõ ràng.

Tài liệu dự án: README của HyInv · README của HyPLM-Flash

Các chức năng chính và thế mạnh của Hunyuan Hyra 2.0

Nghiên cứu AI tự động: tối ưu cách huấn luyện mô hình nhỏ, không chỉ đưa ra lời khuyên

Theo chúng tôi, giá trị đầu tiên của Hyra là tự động tìm kiếm phương án huấn luyện. Dự án nanochat_autoresearch công khai train.py, mã chạy và nhật ký huấn luyện đầy đủ. Cấu hình công bố dùng một NVIDIA B200, với ngân sách huấn luyện cố định khoảng 300 giây, đạt BPB kiểm định 0,901543. Có thể hiểu đơn giản BPB là chỉ số mất mát đánh giá khả năng dự đoán văn bản; ở nhiệm vụ này, càng thấp càng tốt.

Với lập trình viên, đây không phải bài chia sẻ chung chung về “kinh nghiệm chỉnh tham số”. Kết quả có những thay đổi cụ thể về cửa sổ chú ý, thiết lập bộ tối ưu, đặc trưng n-gram bổ sung và lịch huấn luyện. Chúng tôi khuyên nên tìm hiểu các thay đổi có thể tái lập trước, rồi mới xem chúng có phù hợp với mô hình của mình không, thay vì sao chép cấu hình sang dữ liệu có quy mô hoàn toàn khác. Thử nghiệm nanochat

Tối ưu toán tử GPU: biến cải thiện tốc độ thành mã có thể chạy

Một ngộ nhận thường gặp khi tối ưu GPU là mã trông hiện đại hơn thì sẽ nhanh hơn. Thực tế, nó có thể chậm hơn hoặc tính sai với một số đầu vào. Trong SOL-ExecBench, Hyra cung cấp một số sản phẩm đã nộp, gồm toán tử chú ý, phân phối MoE, nhân ma trận và toán tử trong giai đoạn suy luận. Thư mục công khai có 10 ví dụ đã vượt kiểm tra tính đúng đắn, mỗi ví dụ đều có mã lần nộp, độ trễ và điểm số.

Chúng tôi đặc biệt đánh giá cao việc giữ lại trạng thái kiểm tra tính đúng đắn. Ví dụ, một toán tử Flash/GQA attention ghi nhận độ trễ 0,177612 mili giây, nhưng con số này chỉ áp dụng cho nhiệm vụ và phần cứng được đánh giá, không có nghĩa mọi mô hình đều tính attention nhanh như vậy. Với đội vận hành dịch vụ suy luận, chúng tôi khuyên cố định kích thước đầu vào, độ chính xác, phần cứng và phiên bản trình biên dịch, rồi mới so sánh độ trễ và tính nhất quán của đầu ra trước và sau tối ưu.

Kết quả tối ưu toán tử GPU

Khám phá toán học: từ lời giải ứng viên đến tài liệu chứng minh có thể kiểm tra

Toán học là một lĩnh vực đáng chú ý khác của tác nhân nghiên cứu. Kho Hyra ghi lại kết quả về hình học, tổ hợp và bất đẳng thức toán tử. Ví dụ, cận dưới thể tích của vật thể lồi có bề rộng không đổi trong không gian ba chiều được nâng từ khoảng 0,380799 lên 0,411040. Ghi chú bổ sung ngày 2 tháng 11 năm 2026 còn báo cáo kết quả cho giả thuyết điểm cách đều của Petty trong năm chiều và một phản ví dụ cho giả thuyết tác động đường tròn của Yau ở trường hợp không đơn liên.

Không nên diễn giải các kết quả này thành “AI đã giải được mọi giả thuyết toán học”. Chúng tôi chú trọng phạm vi của chứng minh, phần nào thực sự được kiểm tra hình thức và kết quả có còn cần chuyên gia toán học thẩm định hay không. Với nghiên cứu nghiêm túc, nên lưu nguyên văn định lý, đầy đủ giả thiết, tệp chứng minh và hồ sơ kiểm tra độc lập trước khi trích dẫn.

Thư mục kết quả toán học

Thiết kế protein: HyInv chuyển cấu trúc đầu vào thành chuỗi axit amin ứng viên

HyInv giải quyết một nhiệm vụ rất cụ thể: nhà nghiên cứu đã có cấu trúc khung chính của protein và muốn thiết kế chuỗi có thể phù hợp với khung đó. Mô hình hỗ trợ dòng lệnh và Python, đọc tệp cấu trúc PDB, chọn chuỗi, giữ cố định các vị trí chỉ định và tạo nhiều chuỗi ứng viên theo hạt giống ngẫu nhiên. Trọng số công khai có dung lượng khoảng 7,8 MB; bản triển khai tham chiếu chạy được trên CPU hoặc GPU.

Lợi ích với đội công nghệ sinh học là có thể tự động hóa bước lặp lại việc tạo chuỗi ứng viên, nhưng “tạo được chuỗi” không đồng nghĩa với “tìm ra thuốc hiệu quả”. Chuỗi ứng viên vẫn cần được kiểm tra cấu trúc, độ ổn định và thực nghiệm. Chúng tôi khuyên bắt đầu bằng một vài cấu trúc công khai để kiểm tra định dạng và đầu ra, sau đó lọc bằng quy trình chấm điểm cấu trúc riêng của đội, rồi mới tiến đến thí nghiệm.

Dự án HyInv và hướng dẫn chạy

Phân tích chuỗi protein: HyPLM-Flash phù hợp hơn với mã hóa hàng loạt và dự đoán tiếp theo

HyPLM-Flash có vai trò khác HyInv: nhận chuỗi protein, xuất biểu diễn vectơ cho từng gốc axit amin hoặc cả chuỗi, đồng thời cung cấp logits để chấm điểm đột biến. Bản triển khai Tencent công bố có bộ máy suy luận INT8, đạt khoảng 130.000 gốc axit amin/giây trên một H20. Đây là số liệu trong môi trường do nhà phát triển chỉ định, không phải cam kết tốc độ cho mọi card đồ họa.

Chúng tôi khuyên xem nó như “bộ trích xuất đặc trưng chuỗi trong hệ thống nghiên cứu”: chẳng hạn mã hóa hàng loạt protein, rồi đưa vectơ vào chương trình phân loại, phân cụm hoặc dự đoán thuộc tính của mình. Với lập trình viên phổ thông, hiểu rằng đầu vào là chuỗi axit amin và đầu ra là vectơ sẽ hữu ích hơn việc chỉ chú ý đến 650 triệu tham số. Với nhà nghiên cứu, nên so sánh cả độ chính xác, quy mô xử lý theo lô và thời gian khởi động nguội để chọn INT8 hay BF16 cho nhiệm vụ.

Dự án HyPLM-Flash

Kết quả đánh giá và hiệu năng của Hunyuan Hyra 2.0

Phần này dùng số liệu thử nghiệm theo từng nhiệm vụ do Tencent công khai. Cần lưu ý: đây không phải bảng xếp hạng mô hình trò chuyện Hyra 2.0 với một phương pháp đo thống nhất. Một số con số ghi lại khám phá của hệ thống nghiên cứu Hyra; số khác đánh giá các mô hình độc lập được Hyra 2.0 huấn luyện. Có tái lập được trong công việc của bạn hay không vẫn phụ thuộc môi trường thử nghiệm và mốc tham chiếu.

Chất lượng huấn luyện mô hình ngôn ngữ: BPB kiểm định của nanochat giảm từ 0,9109 xuống 0,9015

Kho Tencent so sánh kết quả với thành tích cùng loại do Recursive công bố: mốc trước đó là 0,9109 BPB, còn Hyra đạt khoảng 0,9015 BPB, chênh lệch tuyệt đối khoảng 0,0094. Số liệu chính xác của Hyra là 0,901543, chạy trên 1× B200, thời gian huấn luyện khoảng 300,1 giây; tổng thời gian gồm chuẩn bị và đánh giá khoảng 348,4 giây. “Cải thiện” ở đây là giảm mất mát kiểm định, không thể quy đổi thành mức tăng độ chính xác trả lời câu hỏi nói chung.

Khuyến nghị của chúng tôi: Nếu đội đang tối ưu huấn luyện mô hình nhỏ, có thể bắt đầu bằng việc tái lập dự án này để kiểm tra bộ nhớ GPU, chuẩn bị dữ liệu và phương pháp kiểm định. Với huấn luyện thương mại, vẫn phải xét chỉ số trên dữ liệu riêng và chi phí cuối cùng. Không nên mở rộng lợi ích từ một phép thử năm phút sang mọi quy mô mô hình.

Kết quả nanochat của Hyra · Mốc tham chiếu Recursive

Tốc độ huấn luyện: nanoGPT Speedrun giảm từ khoảng 77,5 giây xuống 76,435 giây

Trong thử nghiệm nanoGPT Speedrun, mã công khai của Hyra dùng FP8 cho phép toán ma trận lớn và điều chỉnh lịch huấn luyện. Kho lưu ba lần chạy: 76,431; 76,467; 76,408 giây, trung bình 76,435 giây, với mất mát kiểm định trung bình khoảng 3,28007. So với mốc khoảng 77,5 giây được kho trích dẫn, thời gian giảm khoảng 1,1 giây, tương đương 1,4%.

Điều kiện để đạt kết quả này rất cụ thể: 8× H100, đúng phiên bản CUDA, PyTorch, Triton và bộ dữ liệu tương ứng. Mất mát trung bình làm tròn là 3,280; việc hiển thị 3,280 không có nghĩa mọi lần chạy đều thấp hơn hẳn 3,280.

Khuyến nghị của chúng tôi: Chỉ nên cân nhắc tối ưu FP8 này khi môi trường huấn luyện gần tương đương. Chúng tôi sẽ tái lập ít nhất ba lần, so sánh trung bình, độ dao động và mất mát cuối cùng. Nếu hệ thống hiện tại đã dùng toán tử khác, hãy ưu tiên thử A/B trong phạm vi nhỏ.

Ba lần thử nghiệm nanoGPT của Hyra

Điểm toán tử GPU: SOL-ExecBench tăng từ 0,754 lên 0,771

Trong so sánh SOL-ExecBench công khai, điểm SOL tổng hợp của mốc Recursive là 0,754, còn kho Hyra báo cáo 0,771, tăng 0,017. SOL đo mức độ triển khai tiến gần giới hạn hiệu năng được bộ đánh giá định nghĩa, không phải tỷ lệ đúng 77,1% của mã nói chung. Tencent còn công bố 10 ví dụ có kiểm tra tính đúng đắn, nhưng 10 ví dụ này không thay thế toàn bộ tập dữ liệu đánh giá.

Khuyến nghị của chúng tôi: Với đội xây cổng suy luận hoặc dịch vụ GPU, hãy ưu tiên toán tử thực sự tiêu tốn nhiều tài nguyên trong công việc, ghi lại độ trễ P50/P95, thông lượng, bộ nhớ GPU và sai số số học. Chỉ chạy theo điểm cao nhất của một phép thử nhỏ có thể không làm giảm chi phí toàn bộ dịch vụ.

SOL-ExecBench của Hyra · Kết quả Recursive công bố

Định tuyến mạch lượng tử: số CNOT bổ sung giảm từ 269.037 xuống 258.369

Điện toán lượng tử cũng có các bài toán tối ưu đo được: khi hai qubit không liền kề trên thiết bị vật lý, thuật toán định tuyến phải thêm thao tác. Kho Tencent ghi nhận 61 mạch đã kiểm chứng, so sánh trên ba kiểu cấu trúc kết nối Q20, Willow và Heron với mốc được SimpleTES trích dẫn:

Theo cùng cách tính trong bảng, tổng số CNOT giảm 10.668, tương đương khoảng 4,0%. Chỉ số này đo chi phí ánh xạ mạch, không có nghĩa toàn bộ máy tính lượng tử nhanh hơn 4%.

Khuyến nghị của chúng tôi: Nếu làm trình biên dịch mạch lượng tử, hãy kiểm tra lại OpenQASM được tạo ra và các ràng buộc kết nối. Nếu chỉ chọn công cụ trò chuyện AI đa dụng, kết quả này không trực tiếp phản ánh chất lượng trả lời hằng ngày.

Dự án mạch lượng tử · Bài báo SimpleTES

Suy luận protein: HyPLM-Flash đạt khoảng 130.000 gốc axit amin/giây, HyInv thiết kế theo lô ở mức mili giây

Đây là kết quả của các mô hình độc lập do Hyra 2.0 tạo ra, không phải tốc độ đầu cuối của tác nhân. HyPLM-Flash được Tencent công bố đạt khoảng 130.000 gốc axit amin/giây trên một H20 với cấu hình INT8. Trong so sánh kèm theo gồm 32 nhiệm vụ và 28 bản trọng số công khai, mô hình đạt hệ số tương quan Spearman không huấn luyện thêm trên ProteinGym là 0,409, gần một số bộ mã hóa protein cùng quy mô về mặt thống kê. Chỉ số này đo tương quan, không phải độ chính xác phân loại.

HyInv báo cáo rằng khi tạo một lô 128 thiết kế protein dài khoảng 148 trên H20, đường chạy BF16 tối ưu mất khoảng 25 mili giây, còn bản tham chiếu mất khoảng 999 mili giây. Tuy nhiên, thời gian này không gồm biên dịch lần đầu và ghi lại CUDA Graph. Đường chạy tối ưu cũng có sai khác số học so với bản FP32 tham chiếu, nên không thể chỉ dựa vào tốc độ để quyết định thay thế.

Khuyến nghị của chúng tôi: Đội nghiên cứu sinh học nên đánh giá riêng chất lượng, thông lượng theo lô và khả năng tái lập. Nếu thường chỉ xử lý một chuỗi ngắn, hãy đo độ trễ yêu cầu đầu tiên; chỉ với tác vụ ngoại tuyến số lượng lớn mới nên ưu tiên số gốc axit amin mỗi giây. Điểm chuỗi cũng không thay thế được kiểm chứng trong phòng thí nghiệm.

HyPLM-Flash · HyInv

So sánh Hunyuan Hyra 2.0 với Recursive, SimpleTES, TTT-Discover và AlphaEvolve

Các đối tượng dưới đây là hệ thống tự động hóa nghiên cứu hoặc khung nghiên cứu, không phải bốn “mô hình hội thoại” có thể thay trực tiếp cho nhau trong cùng một giao diện trò chuyện. Chúng tôi ưu tiên số liệu từ nhiệm vụ chung; nơi chưa có thử nghiệm thống nhất, chỉ so sánh cách làm và tình huống sử dụng.

So với Recursive: Hyra công bố kết quả tối ưu thêm trên các nhiệm vụ nghiên cứu AI tương tự

First Steps Toward Automated AI Research của Recursive là một đối chiếu khá trực tiếp. Công trình công bố kết quả ở ba hướng: huấn luyện mô hình nhỏ với ngân sách cố định, tốc độ huấn luyện và tối ưu toán tử GPU. Hyra tiếp tục đối chiếu với các mốc này trong kho công khai:

Theo chúng tôi, Hyra đã cho thấy khả năng cải thiện tiếp các chỉ số ở những nhiệm vụ công khai này, nhưng khi so sánh thí nghiệm giữa các tổ chức, vẫn cần kiểm tra kỹ mã, phần cứng và bộ chấm điểm. Gợi ý sử dụng: Nếu đội nghiên cứu thuật toán huấn luyện hoặc hiệu năng GPU, có thể tái lập cả hai kho để đối chiếu. Nếu chỉ cần API có sẵn cho chăm sóc khách hàng hoặc viết nội dung, những điểm số này không phải lý do để đổi mô hình đang dùng.

Kết quả Hyra · Nghiên cứu của Recursive

So với SimpleTES: cả hai dựa vào điểm số khách quan, Hyra dùng ít cổng hơn ở nhiệm vụ định tuyến lượng tử công khai

SimpleTES nghiên cứu cách mở rộng vòng lặp “tạo phương án, đánh giá tự động, tiếp tục tìm kiếm”. Bài báo bao quát 21 nhiệm vụ nghiên cứu thuộc 6 lĩnh vực và công bố kết quả như định tuyến mạch lượng tử. Trong so sánh công khai trên ba kiểu cấu trúc phần cứng, Hyra giảm tổng CNOT bổ sung từ 269.037 xuống 258.369. Ở hướng này, Hyra đưa ra phương án cải thiện thêm.

Tuy vậy, “tốt hơn ở một nhiệm vụ” không có nghĩa “toàn bộ hệ thống nghiên cứu dẫn đầu mọi mặt”. Thế mạnh của SimpleTES là trình bày có hệ thống hơn cách đánh giá thí nghiệm và chiến lược mở rộng, phù hợp để học cách xây quy trình tối ưu nghiên cứu. Gợi ý sử dụng: Nếu muốn thiết kế nền tảng thí nghiệm tự động riêng, hãy đọc phương pháp SimpleTES trước. Nếu muốn xem sản phẩm tối ưu định tuyến lượng tử cụ thể, hãy nghiên cứu các tệp OpenQASM của Hyra.

Bài báo gốc SimpleTES · Kết quả định tuyến lượng tử của Hyra

So với TTT-Discover: TTT-Discover tiếp tục huấn luyện khi giải bài toán, Hyra trình bày các cải thiện toán học sau đó

Điểm riêng của TTT-Discover là mô hình tiếp tục học khi giải một nhiệm vụ nghiên cứu cụ thể, thay vì chỉ nhận nhiều lời nhắc với trọng số cố định. Bài báo báo cáo khám phá trong toán học, toán tử GPU, phân tích sinh học và công khai mã có thể tái lập. Kho Hyra dẫn mốc trước đó 1,502870 cho hằng số tự tương quan và báo cáo cải thiện xuống 1,502850. Chênh lệch nhỏ, nhưng với tối ưu toán học cần cận số chính xác, không thể chỉ nhìn tỷ lệ phần trăm để đánh giá giá trị nghiên cứu.

Chưa có so sánh công khai đầy đủ với phương pháp và ngân sách thử nghiệm thống nhất giữa hai hệ thống. Gợi ý sử dụng: Muốn nghiên cứu cách mô hình học liên tục ở một nhiệm vụ cụ thể, có thể ưu tiên TTT-Discover. Muốn tìm hiểu cách trình bày kết quả bằng mã, bằng chứng số học và tài liệu khoa học, có thể tham khảo cách Hyra tổ chức sản phẩm nghiên cứu.

Bài báo TTT-Discover · Kết quả toán học của Hyra

So với Google AlphaEvolve: một bên tập trung vào kết quả kiểm chứng được, bên kia đã có ứng dụng vận hành quy mô lớn

AlphaEvolve của Google DeepMind cũng kết hợp mô hình ngôn ngữ với bộ đánh giá tự động để tìm thuật toán tốt hơn. Google giới thiệu các triển khai thực tế trong điều phối trung tâm dữ liệu, thiết kế chip và huấn luyện mô hình, chẳng hạn thu hồi trung bình khoảng 0,7% tài nguyên tính toán ở trung tâm dữ liệu. Đây là ví dụ trong môi trường vận hành, không phải phép thử cùng nhiệm vụ với Hyra, nên chúng tôi không đặt hai nhóm số liệu vào cùng bảng để phân thắng thua.

Điểm đáng xem ở Hyra là các sản phẩm nghiên cứu toán học, lượng tử và protein công khai. Điểm đáng xem ở AlphaEvolve là kinh nghiệm đưa tối ưu thử nghiệm vào hạ tầng vận hành. Gợi ý sử dụng: Nếu quản lý dịch vụ trực tuyến thực tế, hãy ưu tiên học cách AlphaEvolve kiểm chứng trong vận hành và tính lợi ích dài hạn. Nếu muốn học cách công bố kết quả nghiên cứu có thể kiểm tra, các thư mục theo chuyên đề của Hyra giúp tìm điểm bắt đầu tái lập dễ hơn.

Google DeepMind AlphaEvolve · Tiến triển triển khai AlphaEvolve

Câu hỏi thường gặp về API Hunyuan Hyra 2.0

Vì sao không tìm thấy hyra-2.0 trong danh sách mô hình API Hop?

Vì danh mục mô hình công khai hiện chưa liệt kê Hyra 2.0 là mô hình văn bản có thể gọi qua API. Nếu API Hop hỗ trợ hyra-2.0, chúng tôi sẽ cập nhật thông tin ngay.

Tài liệu Chat Completions thống nhất · Kho kết quả Hyra

Có thể gọi HyInv và HyPLM-Flash bằng những cách nào?

Hai mô hình độc lập do Hyra 2.0 huấn luyện có các cách sử dụng cụ thể, nhưng không đồng nghĩa với gọi API của Hyra Agent. HyInv hỗ trợ CLI và Python, ví dụ:

# Chạy trong môi trường đã cài HyInv; structure.pdb là tệp cấu trúc do người dùng cung cấp
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash có giao diện mã hóa bằng Python, ví dụ:

from hyplm import HyPLMEncoder

# Tải, ghép và kiểm tra trọng số theo hướng dẫn của dự án trước
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

Chúng tôi khuyên triển khai chúng thành dịch vụ độc lập: cài đúng các thư viện phụ thuộc mà kho chỉ định, rồi kiểm tra đầu vào và đầu ra trên mẫu nhỏ. Bản tăng tốc HyPLM-Flash còn phụ thuộc CUDA, Triton và môi trường GPU phù hợp; không nên mặc định mọi CPU hoặc card đồ họa đều đạt thông lượng được công bố.

Cài đặt và gọi HyInv · Cài đặt và gọi HyPLM-Flash

Vì sao tái lập không đạt cùng kết quả, và nên đánh giá chi phí thế nào?

Trước hết, nên tách chi phí suy luận mô hình, tái lập huấn luyện và toàn bộ tác nhân nghiên cứu. Kết quả nanochat công khai dùng một B200, còn nanoGPT Speedrun dùng tám H100; cả hai cần dữ liệu, trình điều khiển, thư viện phụ thuộc và thiết lập kiểm định phù hợp. Ngay cả khi mã giống nhau, xung nhịp GPU, bộ nhớ đệm biên dịch, tải và yếu tố ngẫu nhiên cũng có thể làm chỉ số cuối thay đổi. Thử nghiệm tăng tốc HyInv còn nêu rõ không tính thời gian biên dịch Triton lần đầu và ghi lại CUDA Graph.

Vì vậy, chúng tôi đánh giá ba nhóm chỉ số: chất lượng có đạt yêu cầu không, tổng thời gian nhiệm vụ và tài nguyên cần cho mỗi kết quả vượt kiểm chứng. Với huấn luyện, ghi số giờ GPU và trung bình ít nhất ba lần chạy. Với suy luận trực tuyến, tách riêng độ trễ yêu cầu đầu tiên, thông lượng ổn định, bộ nhớ GPU và tỷ lệ thất bại. Với tác nhân nghiên cứu, phải tính cả thử nghiệm thất bại và thời gian kiểm tra của con người. Hiện chưa có giá API đa dụng Hyra 2.0 có thể xác minh, nên chúng tôi không đưa ra giá token phỏng đoán.

Hướng dẫn tái lập nanochat của Hyra · Hướng dẫn tái lập nanoGPT Speedrun