AIREITERHyra 2.0 от Tencent не пытается просто выдать ответ на очередную научную задачу. Система должна превращать результаты работы в повторно используемые модели и инструменты. Впрочем, сам агент остаётся внутри Tencent: публично доступны лишь отдельные плоды его работы.
Репозиторий Hyra-results чётко отделяет артефакты, которые можно скачать и проверить, от заявлений из анонсов. На этом разграничении построен весь разбор.
Hyra 2.0: не чат-бот, а инфраструктура для исследований
Hyra 2.0, или Hunyuan Research Agent 2.0, — иерархическая система Tencent Hunyuan для автоматизации научных исследований и инженерной работы. Tencent позиционирует её не как очередную универсальную чат-модель Hunyuan, а как инфраструктуру, способную создавать научные модели, пайплайны валидации и многошаговые рабочие процессы, пригодные для дальнейшего использования.
В официальном анонсе Tencent в X от 2 ноября 2026 года Hyra 2.0 названа «следующей эволюцией Hunyuan Research Agent»: система переходит «от решения задач к созданию переиспользуемых инструментов, моделей и workflows». В публичном репозитории Hyra-results лежат результаты и отдельные обученные модели, но не весь контур оркестрации. Ни в анонсе, ни в репозитории нет публичной демоверсии, установочного пакета, API, цены или квот. Проще считать Hyra 2.0 лабораторией, а белковые модели HyInv и HyPLM-Flash — образцами, вышедшими из неё.
Как Hyra 2.0 ведёт проекты неделями и не теряет контекст
Для долгих исследовательских проектов Hyra 2.0 использует три уровня агентов, постоянное хранилище и независимую проверку результатов. Как пишет IT之家 в материале о запуске со ссылкой на официальный WeChat Tencent Hunyuan, разделение на Overall, Mission и Worker позволяет продолжать эксперименты днями и неделями, не теряя нить работы.
Агенты Overall общаются с исследователями, согласуют цели и распределяют вычислительные бюджеты. Агенты Mission отвечают каждый за своё направление: выбирают ход экспериментов и несут ответственность за выводы. Агенты Worker изучают код, запускают реальные эксперименты, разбирают неудачи и могут оспорить решение Mission-агента; параллельно могут работать несколько Worker-агентов на разных базовых моделях.
В основе лежат три механизма сохранения состояния:
- Состояние проекта фиксирует текущую стадию исследовательской программы, поэтому задачи переживают паузы в постоянных очередях.
- Многоуровневая память агентов отделяет краткосрочные наблюдения от выводов, важных на длинной дистанции, вместо того чтобы сваливать всё в одно контекстное окно.
- Общие Books хранят знания с указанием уровня доказательности: результаты одного запуска, воспроизведённые выводы и подтверждённые людьми соглашения. Методы, доказавшие переносимость, выделяются в небольшие повторно используемые skills для следующих запусков.
Конструкцию дополняют две защиты. Каждый вывод привязан к конкретным логам и версиям кода, а перед передачей человеку утверждение с чистого листа проверяет отдельный Worker-агент. Крупные вычислительные задания всё ещё требуют одобрения человека. По данным технического разбора Eyerys, система интегрируется и с привычной лабораторной инфраструктурой: корпоративными мессенджерами, платформами отправки задач и репозиториями кода.
У такой проверки есть цена. Один практик предположил, что взаимный анализ сессий Worker-агентами может заметно увеличить расходы на токены (@d6355v). Tencent не раскрывает токен-бюджеты, стоимость вычислений, частоту сбоев и долю ошибок, которые находит независимая проверка. Поэтому пока это стоит воспринимать как архитектуру для надёжной работы на длинных горизонтах, операционная стоимость которой неизвестна.
Что Hyra 2.0 уже выпустила публично
Публичные свидетельства по Hyra 2.0 делятся на две группы: скачиваемые артефакты с весами и кодом, а также заявленные Tencent результаты, которые ещё ждут внешнего воспроизведения. В таблице каждая строка ведёт к источнику, который можно проверить.
| Артефакт | Что это | Ключевая цифра | Статус доказательств |
|---|---|---|---|
| HyInv | Модель обратного фолдинга белков на 1,96 млн параметров, веса 7,8 МБ, CLI + Python API | Генерация примерно в 57 раз быстрее ProteinMPNN: 25 мс против примерно 1 с для белков из 148 остатков на 1x H20 GPU, по данным обзора TSN | Артефакт доступен для изучения (MIT); бенчмарк можно запустить; ключевой результат ещё не воспроизведён независимо |
| HyPLM-Flash | Маскированная языковая модель белков на 650 млн параметров, веса 2,6 ГБ, INT8-движок | Около 130 000 остатков/с на 1x H20; самая быстрая инференс-модель в тесте Tencent из 12 моделей и 35 задач, средний ранг — 3-е место; ProteinGym Spearman 0,409, на уровне класса ESM-2 650M, по данным обзора TSN | Артефакт доступен для изучения (MIT); нужен CUDA GPU; две оценки охватывают разное число моделей и задач |
| HyFF | 5 ML-силовых полей — Presto, Vivace, Moderato, Andante и Largo; от 2,3 млн до 1,2 млрд параметров, 83 элемента | Ошибка энергии Largo — 0,364 meV/atom против 0,380 у DPA4-Pro при скорости в 9,7 раза выше; Andante в 29 раз быстрее UMA-S-1.2 на MD с 2 586 атомами, 1x H20 | Артефакт доступен для изучения (Apache-2.0) с пакетом hyff; показатели скорости привязаны к одной нагрузке на H20 |
| Гипотеза Петти, dim-5 | Артефакт доказательства: в любом 5-мерном вещественном нормированном пространстве есть 6 равноудалённых точек; прежний лучший результат был для dim 4, Makeev 2005, согласно индексу репозитория | Закрывает случай размерности 5 | Статья доступна для изучения; журнальное рецензирование не заявлено |
| Действие окружности Яу | Заявленный контрпример: замкнутое 7-многообразие с положительной секционной кривизной без эффективного действия окружности, согласно индексу репозитория | Решает общий случай; случай односвязных многообразий остаётся открытым | Статья доступна для изучения; журнальное рецензирование не заявлено |
| HyQEC | Код коррекции квантовых ошибок из линии qLDPC Challenge, по данным Prompt Blueprints | Эффективность кодирования примерно на 48% выше, чем у прежнего лидера | Анонсирован; полный артефакт ожидается на GitHub |
| XiangShan RISC-V | Оптимизация процессора с открытым исходным кодом, по данным Prompt Blueprints | +5,79% к результату на ГГц при минимальном росте площади; исправлены ошибки многоядерной работы | Анонсирован; название бенчмарка и базовая линия не раскрыты |
| Роботизированная рука | Пятипалая рука с постепенно меняющейся длиной пальцев, по данным Eyerys | +28,6% к скорости вращения объектов в симуляции при фиксированном бюджете | Анонсирована; пока только симуляция |
По сравнению с Hyra 1.0 главный сдвиг — от ответов к активам. Hyra 1.0 показала, что сам итеративный цикл работает: её результат sums_diffs улучшил константу в комбинаторике с 1,14489 до 1,21079, а Tencent связывает с ним прогресс в задаче аддитивной комбинаторики, открытой 50 лет. Как отмечает анализ запуска от Prompt Blueprints, Hyra 2.0 сохраняет этот итеративный механизм, но добавляет иерархию, постоянные проекты и извлечение навыков, чтобы каждый успех можно было использовать повторно.
Что можно запустить сейчас, а что остаётся у Tencent
Запустить можно продукты Hyra 2.0, но не сам оркестратор. Репозиторий Hyra-results распространяется под Apache-2.0, а в каждой папке с результатом должны быть финальные артефакты и скрипты для воспроизведения. Начать можно так:
git clone https://github.com/Tencent-Hunyuan/Hyra-results.git
ls AI4Science/hyinvДальше есть три пути:
- HyInv — проще всего начать: откройте
AI4Science/hyinv: там лежат веса, инференс-код и технический отчёт. Эталонный путь работает на CPU и GPU, а ускоренный вариант BF16 валидирован только на GPU класса Hopper. - HyPLM-Flash — потребуется CUDA: откройте
AI4Science/hyplm_flash, затем запуститеweights/download.sh, чтобы скачать, объединить и проверить веса объёмом 2,6 ГБ. Рассчитывайте на GPU уровня H20/H100; INT8 используется для извлечения представлений, BF16 — для детальной регрессии вариантов. - HyFF — заявленные скорости требуют H20: в разделе HyFF доступны пять моделей силовых полей размером от 9 МБ до 4,8 ГБ, а пакет
hyffподдерживает одиночные структуры, батчевую обработку и молекулярную динамику NVE/NVT/NPT.
Закрытыми остаются оркестратор Overall/Mission/Worker, промпты, планировщики, оценщики и хранилище Books/skills. Поскольку большие вычислительные задания проходят через одобрение человека, система не полностью автономна в распределении ресурсов. Итого: агента установить нельзя, зато самый простой для теста артефакт занимает всего 7,8 МБ. Как отмечает TSN, прямое сравнение HyInv и ProteinMPNN на одинаковых белковых каркасах недорого организовать.
Насколько убедительны заявленные цифры
По данным TSN, все показатели производительности исходят от Tencent или документации к её моделям; независимых воспроизведений по состоянию на 2 ноября 2026 года опубликовано не было. Поэтому каждую цифру нужно читать вместе с условиями, в которых она получена.
Во-первых, скорость не равна качеству. Показатель HyInv в 57x — это сравнение пропускной способности генерации на одной Nvidia H20: примерно 25 мс против примерно 1 с на 148 остатках и 54 мс против 2,6 с на 402 остатках. Это не показатель успеха в мокрой лаборатории. Структурное сходство оценивается по предсказанным структурам, а лабораторная валидация не заявлена:
57x относительно ProteinMPNN и ~2 500 дизайнов/с — это пропускная способность, а не качество дизайна. Дальше хотелось бы увидеть self-consistency RMSD и sequence recovery... Обратный фолдинг редко бывает узким местом — обычно всё упирается в последующий refold.
Во-вторых, заявления об эффективности всегда зависят от железа и охвата теста. Формулировка HyPLM-Flash «самая быстрая среди 12» относится к оценке Tencent из блога: 12 моделей и 35 задач. В сопоставимой оценке из репозитория — 28 чекпойнтов и 32 задачи, а zero-shot Spearman в ProteinGym равен 0,409 и статистически не отличается от ESM-2 650M, ESM C 600M и E1-600M. Скорости HyFF в 29x и 9,7x привязаны к системе из 2 586 атомов на одной H20, при этом ошибка силы Andante, 7,65 meV/Å, немного хуже, чем у UMA-S-1.2 — 7,55 meV/Å. То есть это скорость при почти равной точности, а не безоговорочная победа по всем параметрам.
В-третьих, ключевой тезис версии 2.0 — повторное использование — пока не доказан. В материалах запуска не раскрывается, как сгенерированный skill валидируют перед повторным применением, кто его утверждает и измерялось ли повторное использование между проектами:
Создавать переиспользуемые инструменты вместо одноразовых ответов — правильное направление. Большинство запусков агентов выбрасывает всё, что они успели выяснить, после завершения задачи. Интересно, как Hyra решает, что инструмент уже достаточно хорош, чтобы его сохранить и использовать снова.
Другой практик поставил тот же вопрос о валидации, но со стороны human-in-the-loop (@ModelPlaneHQ). В материалах Tencent и сторонних обзорах выше нет прямого бенчмарка против аналогов вроде Google's AI Co-Scientist или Sakana AI Scientist, поэтому любой рейтинг сегодня будет опираться на цифры самой Tencent. Для любой модели, созданной агентом, лучше задать четыре вопроса: на каком оборудовании, при каких настройках качества, кем воспроизведено и где использовалось повторно?
FAQ
Hyra 2.0 открыта и её можно попробовать?
Сам фреймворк закрыт, но артефакты открыты. У агента нет публичной демоверсии, API или установочного пакета. Пакеты моделей HyInv и HyPLM-Flash распространяются по MIT, а HyFF — на условиях Apache-2.0 для репозитория; проверяйте README и лицензию в каждой папке.
Чем Hyra 2.0 отличается от Hyra 1.0?
Hyra 1.0 была ориентирована на итеративное решение задач, включая давний результат в комбинаторике. В Hyra 2.0 появились иерархия Overall/Mission/Worker, постоянное состояние проектов, база знаний Books, извлечение skills и явная цель — создавать модели и рабочие процессы для повторного применения.
Математические результаты уже прошли рецензирование?
Нет, не в виде журнальных публикаций. Статьи по случаю Петти в размерности 5 и контрпримеру Яу опубликованы и доступны для проверки, а индекс репозитория содержит Lean 4-формализации трёх более ранних результатов с конечным ядром: Beurling-Ahlfors, partial Hadamard и commutator. Ко всем этим результатам следует относиться как к заявлениям, ожидающим экспертной проверки.
Какое оборудование нужно для воспроизведения белковых моделей?
Эталонный путь HyInv работает на CPU и GPU, а скачивание занимает 7,8 МБ. Для INT8-движка HyPLM-Flash объёмом 2,6 ГБ нужен CUDA GPU, рекомендуется класс H20/H100. Показатели скорости HyFF рассчитаны на одной H20.
Как оценивать Hyra 2.0 без завышенных выводов
Hyra 2.0 делает ставку на то, что единицей научного прогресса должен быть не ответ, а инструмент. Переиспользуемые skills, по замыслу Tencent, должны накапливаться и давать «интеллектуальный сложный процент» (智能复利). Запуск показывает, что проект действительно выпустил модели и инструменты, которые ему приписываются. Но пока рядом с рекордами скорости не появятся данные о частоте повторного использования, стоимости валидации и независимом воспроизведении, нельзя сказать, ускоряют ли эти инструменты последующую науку на постоянной основе.