騰訊混元發佈科研智能體Hyra-1.0，單一框架打通AI研發與科學發現

騰訊混元團隊於2026年7月21日正式發表全新科研智能體Hyra-1.0（Hunyuan Research Agent），這是一款專為性能導向的研究與工程任務設計的系統，具備遞迴自我改進能力，並以單一通用框架同時涵蓋AI研發與科學發現流程。Hyra-1.0的誕生，象徵著騰訊在AI基礎研究與應用落地的銜接上，跨出整合性的一步。 Hyra-1.0的核心設計哲學源自「The Bitter Lesson」——這項由AI領域先驅提出的觀點強調，長遠來看，最能發揮效益的方法是讓框架盡可能輕量，同時賦予智能體更寬廣的動作空間，而非依賴人為設計的特定知識。基於此，Hyra採用一個簡單且通用的循環框架，將智慧與算力直接轉化為可量化的真實收益，避免過度工程化帶來的瓶頸。 整個架構由三個主要元件組成。首先是Context Agent，負責維護經驗庫，並持續產生「靈感」形式的上下文，將這些任務提示填入任務佇列中。其次，多個Proposal Agent會從佇列中領取上下文，在各自獨立的沙盒環境中生成解決方案、執行實驗，並記錄結果。整個系統以異步生產者—消費者流水線模式運轉，隨著運算資源增加，吞吐量能有效擴展，同時保持穩定的資源利用率。 對於尚未提供內建評估器的任務，Hyra具備雙層循環的升級機制，讓解決方案與評估機制能夠共同演化，從根本上抑制reward hacking現象——亦即智能體為了追求高分而鑽漏洞、偏離真實研究目標的問題。這項設計使得Hyra在面對開放式研究課題時，能夠自動建立可信的評估標準，進一步貼近真實科研場景。 在AI for AI的應用領域，Hyra-1.0已在三項業界知名的基準測試中超越Recursive報告中所公布的最優結果。在NanoChat Autoresearch任務中，Hyra將驗證集的BPB（Bits Per Byte，每位元組位元數）降至0.9015，展現更優異的語言模型壓縮效率。在社群已深度優化的NanoGPT Speedrun任務上，Hyra將達到3.4秒的訓練速度，刷新了效能紀錄。而在SOL-ExecBench項目中，針對235個GPU核心進行聯合優化後，Hyra的平均SOL（Speed of Light，光速利用率）達到0.89，代表硬體運算潛力獲得充分釋放。 從技術層面來看，Hyra-1.0的推出不僅是騰訊混元在AI基礎設施上的重要進展，也為業界提供了一種新的研究模式：將從前需要大量人工調參、反覆實驗的流程，透過單一智能體框架自動化，同時保留足夠的靈活性以應對不同領域的任務。這對於加速科學發現、降低AI研發門檻，具有潛在的深遠影響。 騰訊混元團隊指出，Hyra的設計初衷是讓AI研究者與工程師能將更多精力投入在問題定義與創意發想，而非耗時於重複性的實驗配置與參數調整。系統的遞迴自我改進機制，意味著它能夠從過往經驗中學習，並在後續任務中自動調整策略，形成正向循環。 值得注意的是，Hyra-1.0的架構不僅適用於AI領域本身，也可延伸至材料科學、藥物設計、物理模擬等需要大量運算與反覆驗證的科學研究領域。透過統一框架，不同領域的科學家能夠使用相同的工具進行實驗設計、結果分析與假說驗證，進一步打破學科之間的技術壁壘。 在當前AI研發快速迭代的環境中，許多團隊正面臨「如何將大模型能力轉化為實際研究產出」的挑戰。Hyra以輕量框架與廣闊動作空間的設計，回應了這一需求。它不依賴特定領域的預設知識，而是透過動態上下文生成與非同步執行的機制，讓智能體自行探索最有效的解決方案路徑。 從結果來看，Hyra在NanoChat、NanoGPT與SOL-ExecBench的表現，已證明該架構能夠在高度競爭的社群基準上取得突破。這些任務涵蓋了語言模型壓縮、訓練速度最佳化與GPU核心協同調度等典型AI工程問題，顯示Hyra具備處理多樣化研究課題的潛力。 騰訊混元團隊表示，Hyra-1.0目前已經開放部分技術細節，後續將持續推動開源生態與社群合作，讓更多研究人員能夠基於此框架進行創新。伴隨著AI研發逐漸從手工調校走向自動化智慧體協作，Hyra的出現，或許正是拉開新一輪研究效率革命的序幕。