AIREITERTencent'in Hyra 2.0'ı, tek bir soruyu çözüp ortaya çıkan çalışmayı rafa kaldırmak yerine yeniden kullanılabilir bilimsel modeller ve araçlar üretmeye odaklanan bir araştırma ajanı sistemi. Ancak kapsamı sınırlı: ajanın kendisi Tencent bünyesinde kalırken, seçilmiş çıktılar herkese açık olarak yayınlanıyor.
Hyra-results deposu, indirilebilen somut çıktıları yalnızca duyurusu yapılmış iddialardan ayırıyor. Rehberin geri kalanındaki temel ayrım da bu.
Hyra 2.0 tam olarak ne yapıyor, ne yapmıyor?
Hunyuan Research Agent 2.0'ın kısaltması olan Hyra 2.0, Tencent Hunyuan'ın bilimsel araştırma ve mühendislik süreçlerini otomatikleştirmeye yönelik hiyerarşik sistemi. Tencent, Hyra 2.0'ı genel amaçlı bir Hunyuan sohbet modeli olarak değil; tekrar kullanılabilir bilimsel modeller, doğrulama hatları ve çok aşamalı iş akışları geliştiren bir altyapı olarak konumlandırıyor.
Tencent'in 2 Kasım 2026 tarihli resmi X duyurusu, Hyra 2.0'ı “Hunyuan Research Agent'ın bir sonraki evrimi” olarak tanımlıyor ve sistemin “sorun çözmekten tekrar kullanılabilir araçlar, modeller ve iş akışları oluşturmaya” geçtiğini belirtiyor. Herkese açık Hyra-results deposunda tam orkestrasyon sistemi değil, çıktılar ve seçilmiş eğitilmiş modeller yer alıyor; duyuru veya depoda herkese açık demo, kurulum paketi, API, fiyat ya da kota bilgisi de bulunmuyor. Hyra 2.0'ı laboratuvarın kendisi; yayınlanan HyInv ve HyPLM-Flash protein modellerini ise bu laboratuvardan çıkan örnekler olarak düşünün.
Haftalar süren araştırmalar bağlamını nasıl koruyor?
Hyra 2.0, günlerce hatta haftalarca süren araştırmaları üç ajan katmanı, kalıcı depolama ve bağımsız bir inceleme adımıyla yönetiyor. IT之家'nın lansman haberi, Tencent Hunyuan'ın resmi WeChat hesabına dayanarak Overall, Mission ve Worker ayrımının deneylerin bağlam kaybetmeden uzun süre devam etmesini sağladığını aktarıyor.
Overall ajanları insan araştırmacılarla iletişim kuruyor, hedefleri netleştiriyor ve işlem kaynaklarını paylaştırıyor. Mission ajanları belirli bir araştırma yönünden sorumlu oluyor; deney rotasını seçiyor ve ulaşılan sonuçların hesabını veriyor. Worker ajanları ise kod okuyor, canlı deneyler yürütüyor, hataları analiz ediyor ve gerektiğinde bir Mission ajanının kararına itiraz edebiliyor. Farklı temel modeller üzerinde çalışan birden çok worker paralel olarak görev alabiliyor.
Sistemin altında üç kalıcılık mekanizması bulunuyor:
- Proje durumu, bir araştırma programının hangi aşamada olduğunu kaydediyor; böylece işler kalıcı kuyruklarda kesintilerden etkilenmeden sürdürülebiliyor.
- Katmanlı ajan belleği, her şeyi tek bir bağlam penceresine yığmak yerine kısa ömürlü gözlemleri daha uzun vadeli bulgulardan ayırıyor.
- Paylaşılan Books, kanıt düzeyine göre sınıflandırılmış bilgileri saklıyor: tek çalıştırmadaki gözlemler, tekrarlanmış bulgular ve insan tarafından doğrulanmış kurallar. Aktarılabilir olduğu kanıtlanan yöntemler de sonraki çalışmalarda kullanılmak üzere küçük, yeniden kullanılabilir skills parçalarına dönüştürülüyor.
Tasarımı iki ek güvenlik katmanı tamamlıyor. Her sonuç, somut günlük kayıtları ve kod sürümleriyle birlikte sunuluyor; insanlara ulaşmadan önce ayrı bir inceleme worker'ı iddiayı sıfırdan yeniden değerlendiriyor. Eyerys'in teknik incelemesine göre büyük işlem işleri hâlâ insan onayı gerektiriyor; sistem ayrıca kurumsal mesajlaşma, iş gönderim platformları ve kod depoları gibi standart laboratuvar altyapılarına bağlanabiliyor.
Bu doğrulama yaklaşımının bir bedeli var. Bir uygulayıcı, worker'ların birbirlerinin oturumlarını incelemesinin token maliyetlerini ciddi biçimde artırabileceğini tahmin etti (@d6355v). Tencent; token bütçelerini, işlem maliyetlerini, hata oranlarını veya bağımsız incelemenin hataları ne sıklıkla yakaladığını yayınlamadı. Bu nedenle mimariyi, çalışma maliyeti hâlâ açıklanmamış olsa da uzun soluklu güvenilirlik hedefleyen bir tasarım olarak değerlendirmek gerekiyor.
Hyra 2.0 şu ana kadar neler yayınladı?
Hyra 2.0'a ilişkin herkese açık kanıtlar iki gruba ayrılıyor: ağırlıkları ve kodu indirilebilen çıktılar ile Tencent'in bildirdiği ancak dışarıdan henüz tekrarlanmamış sonuçlar. Tablodaki her satır doğrulanabilir kaynağına bağlantı veriyor.
| Çıktı | Nedir? | Öne çıkan sayı | Kanıt durumu |
|---|---|---|---|
| HyInv | 1,96 milyon parametreli protein ters-katlama modeli; 7,8 MB ağırlık, CLI + Python API | TSN incelemesine göre ProteinMPNN'den yaklaşık 57 kat hızlı üretim; 148 kalıntılı proteinlerde 1x H20 GPU üzerinde yaklaşık 1 sn yerine 25 ms | Çıktı incelenebilir (MIT); karşılaştırma testi çalıştırılabilir; ana sonuç henüz bağımsız olarak tekrarlanmadı |
| HyPLM-Flash | 650 milyon parametreli maskeli protein dil modeli; 2,6 GB ağırlık, INT8 motor | TSN incelemesine göre 1x H20 üzerinde yaklaşık 130.000 kalıntı/sn; Tencent'in 12 model/35 görev testinde en hızlı çıkarım, ortalama sıralama 3.; ProteinGym Spearman 0,409 ve ESM-2 650M sınıfıyla eşit | Çıktı incelenebilir (MIT); CUDA GPU gerektiriyor; iki değerlendirme farklı model ve görev sayılarını kapsıyor |
| HyFF | 5 ML kuvvet alanı: Presto, Vivace, Moderato, Andante, Largo; 2,3 milyon–1,2 milyar parametre, 83 element | Largo enerji hatası 0,364 meV/atom; DPA4-Pro'nun 0,380 değerine karşı 9,7 kat hız. Andante, 1x H20 üzerinde 2.586 atomlu MD'de UMA-S-1.2 hızının 29 katına ulaşıyor | hyff paketiyle birlikte incelenebilir çıktı (Apache-2.0); hızlar tek bir H20 iş yüküne bağlı |
| Petty conjecture dim-5 | Kanıt çıktısı: Her 5 boyutlu gerçek normlu uzay 6 eşit uzaklıklı nokta içerir. Önceki en iyi sonuç boyut 4'tü, Makeev 2005; depo dizinine göre | 5. boyutu çözüyor | Makale incelenebilir; bildirilmiş bir dergi hakem değerlendirmesi yok |
| Yau circle-action | Depo dizinine göre öne sürülen karşı örnek: Pozitif kesitsel eğriliğe sahip, etkili çember etkisi olmayan kapalı 7-manifold | Sınırsız durumu çözüyor; basit bağlantılı durum hâlâ açık | Makale incelenebilir; bildirilmiş bir dergi hakem değerlendirmesi yok |
| HyQEC | Prompt Blueprints'e göre qLDPC Challenge çizgisinden gelen kuantum hata düzeltme kodu | Önceki liderden yaklaşık %48 daha yüksek kodlama verimliliği | Duyuruldu; tam çıktı GitHub'da bekleniyor |
| XiangShan RISC-V | Prompt Blueprints'e göre açık kaynak işlemci optimizasyonu | GHz başına +%5,79 skor, alanda minimal artış; çok çekirdekli hatalar giderildi | Duyuruldu; benchmark adı ve referans değer açıklanmadı |
| Robotik el | Eyerys'e göre parmak uzunlukları kademeli beş parmaklı el | Sabit bütçeli simülasyonda nesne döndürme hızında +%28,6 | Duyuruldu; şimdilik yalnızca simülasyonda |
Hyra 1.0'a kıyasla değişim, yanıtlardan varlıklara geçişte yatıyor. Hyra 1.0, döngünün çalışabildiğini göstermişti: sums_diffs girdisi bir kombinatorik sabitini 1,14489'dan 1,21079'a çıkardı ve Tencent, 50 yıllık bir toplamsal kombinatorik problemindeki ilerlemeyi bu sisteme bağlıyor. Prompt Blueprints'in lansman analizi, Hyra 2.0'ın yinelemeli motoru korurken her başarının yeniden kullanılabilmesi için hiyerarşi, kalıcı projeler ve skill çıkarımı eklediğini belirtiyor.
Bugün neleri çalıştırabilirsiniz, neler Tencent içinde kalıyor?
Hyra 2.0'ın ortaya çıkardığı ürünleri çalıştırabilirsiniz; ancak orkestratörün herkese açık bir kurulumu yok. Hyra-results deposu Apache-2.0 lisanslı ve her sonuç klasörü nihai çıktılarıyla yeniden üretim betiklerini içermeyi hedefliyor. Başlangıç için:
git clone https://github.com/Tencent-Hunyuan/Hyra-results.git
ls AI4Science/hyinvArdından şu yollardan birini seçebilirsiniz:
- HyInv (en düşük eşik): Ağırlıklar, çıkarım kodu ve teknik rapor için
AI4Science/hyinvklasörünü açın. Referans yol CPU ve GPU'da çalışıyor; hızlandırılmış BF16 yolu yalnızca Hopper sınıfı GPU'larda doğrulandı. - HyPLM-Flash (CUDA gerekli):
AI4Science/hyplm_flashklasörünü açın, ardından 2,6 GB ağırlıkları indirmek, birleştirmek ve doğrulamak içinweights/download.shkomutunu çalıştırın. H20/H100 sınıfında bir GPU planlayın; temsil çıkarımı için INT8, ince varyant regresyonu için BF16 kullanın. - HyFF (iddia edilen hızlar için H20 gerekli): Beş kuvvet alanı modeli (her biri 9 MB–4,8 GB) ve tek yapı, toplu işlem ile NVE/NVT/NPT moleküler dinamiğini destekleyen
hyffpaketi için HyFF bölümünü kullanın.
Kapalı kalan parçalar şunlar: Overall/Mission/Worker orkestratörü, prompt'lar, zamanlayıcılar, değerlendiriciler ve Books/skills deposu. Büyük işlem işleri için insan onayı gerektiğinden kaynak tahsisi açısından sistem tamamen otonom değil. Kısacası ajan için kurulacak bir şey yok; test etmesi en kolay çıktı 7,8 MB'lık bir indirme. TSN'nin belirttiği gibi, aynı omurgalar üzerinde doğrudan HyInv-ProteinMPNN karşılaştırması kurmak düşük maliyetli.
Öne çıkan performans rakamları ne kadar sağlam?
TSN, 2 Kasım 2026 itibarıyla tüm performans rakamlarının Tencent'ten veya model dokümantasyonundan geldiğini; bağımsız bir tekrar üretimin yayınlanmadığını bildirdi. Bu nedenle her rakamı, hangi koşulda elde edildiğiyle birlikte okumak gerekiyor.
İlk olarak, hız kalite anlamına gelmiyor. HyInv'in 57 katlık sonucu, tek bir Nvidia H20 üzerindeki üretim verimini karşılaştırıyor: 148 kalıntıda yaklaşık 25 ms'ye karşı yaklaşık 1 sn, 402 kalıntıda ise 54 ms'ye karşı 2,6 sn. Bu, ıslak laboratuvar başarısını göstermiyor. Yapısal benzerlik tahmin edilen yapılar üzerinden puanlanıyor ve bildirilmiş bir ıslak laboratuvar doğrulaması yok:
ProteinMPNN'e göre 57 kat ve saniyede yaklaşık 2.500 tasarım, tasarım kalitesini değil verimi ifade ediyor. Sırada görmek isteyeceğim şey: self-consistency RMSD ve dizi geri kazanımı... Ters katlama zaten nadiren darboğazdır; asıl darboğaz sonrasındaki yeniden katlama adımıdır.
İkinci olarak, verimlilik iddiaları donanım ve kapsamla birlikte ele alınmalı. HyPLM-Flash'ın “12 model arasında en hızlı” ifadesi, Tencent'in blogundaki 12 model/35 görev değerlendirmesini anlatıyor. Deponun eşleştirilmiş değerlendirmesi ise 28 checkpoint ve 32 görevi kapsıyor; ProteinGym zero-shot Spearman sonucu 0,409 ve ESM-2 650M, ESM C 600M ile E1-600M ile istatistiksel olarak eşit. HyFF'in 29 kat ve 9,7 kat hızları, bir H20 üzerindeki 2.586 atomlu sisteme bağlı. Andante'ın kuvvet hatası da 7,65 meV/Å ile UMA-S-1.2'nin 7,55 meV/Å değerinden biraz daha kötü: temiz bir üstünlük değil, benzer doğrulukta daha yüksek hız.
Üçüncü nokta ise 2.0'ın ana tezi olan yeniden kullanımın henüz kanıtlanmamış olması. Lansman materyalleri, üretilen bir skill'in yeniden kullanılmadan önce nasıl doğrulandığını, onayı kimin verdiğini veya projeler arasında yeniden kullanımın ölçülüp ölçülmediğini açıklamıyor:
Tek seferlik yanıtlar yerine yeniden kullanılabilir araçlar geliştirmek doğru yön. Çoğu ajan çalıştırması, görev bittiğinde keşfettiği her şeyi çöpe atıyor. Hyra'nın bir aracın saklanıp yeniden kullanılacak kadar iyi olduğuna nasıl karar verdiğini merak ediyorum.
Başka bir uygulayıcı, aynı doğrulama sorusunu insan döngüdeyken nasıl işleyeceği açısından gündeme getirdi (@ModelPlaneHQ). Tencent'in lansman materyalleri ve yukarıdaki üçüncü taraf incelemeler, Google'ın AI Co-Scientist'i veya Sakana AI Scientist gibi rakiplere karşı doğrudan karşılaştırmalı benchmark yayınlamıyor. Bu yüzden bugün yapılacak her sıralama Tencent'in kendi rakamlarına dayanır. Ajan tarafından üretilen herhangi bir model için bunun yerine dört soru sorun: Hangi donanımda, hangi kalite ayarında, kim tarafından tekrar üretildi ve nerede yeniden kullanıldı?
Sık sorulan sorular
Hyra 2.0 açık kaynak mı, deneyebilir miyim?
Çerçeve kapalı, çıktılar açık. Ajan için herkese açık demo, API veya kurulum seçeneği yok. HyInv ve HyPLM-Flash MIT lisanslı model paketlerini kullanırken HyFF, deponun Apache-2.0 koşullarına tabi. Her klasörün README dosyasını ve lisansını kontrol edin.
Hyra 2.0, Hyra 1.0'dan nasıl ayrılıyor?
Hyra 1.0, uzun süredir açık olan bir kombinatorik sonucu da içeren yinelemeli problem çözmeye odaklanıyordu. Hyra 2.0 ise Overall/Mission/Worker hiyerarşisini, kalıcı proje durumunu, Books bilgisini, skill çıkarımını ve tekrar kullanılabilir modeller ile iş akışları üretme hedefini ekliyor.
Matematik sonuçları hakem değerlendirmesinden geçti mi?
Dergi yayını olarak hayır. Petty dimension-5 ve Yau karşı örneği makaleleri herkese açık ve incelenebilir durumda. Ayrıca depo dizini, daha önceki üç sonlu çekirdek sonuç için Lean 4 biçimselleştirmelerini kaydediyor: Beurling-Ahlfors, partial Hadamard ve commutator. Bunların tümünü uzman incelemesi bekleyen iddialar olarak değerlendirin.
Protein modellerini yeniden üretmek için hangi donanıma ihtiyacım var?
HyInv'in referans yolu, 7,8 MB indirmeyle CPU ve GPU üzerinde çalışıyor. HyPLM-Flash, 2,6 GB INT8 motoru için CUDA GPU gerektiriyor; H20/H100 sınıfı öneriliyor. HyFF hız rakamları ise tek bir H20 varsayımına dayanıyor.
Hyra 2.0'ı abartmadan nasıl değerlendirmeli?
Hyra 2.0, bilimsel ilerlemenin biriminin yanıt değil araç olması gerektiğine bahis oynuyor. Tencent'in bileşik zekâ getirisi olarak tanımladığı yapıda, tekrar kullanılabilir skills'lerin zamanla birikmesi hedefleniyor. Lansman, sisteme atfedilen model ve araçların yayınlandığını gösteriyor; ancak bu araçların sonraki bilimsel çalışmaları tekrar tekrar hızlandırıp hızlandırmadığı, yeniden kullanım oranı, doğrulama maliyeti ve bağımsız tekrar üretimler hız verilerinin yanında ortaya çıkana kadar ölçülmüş değil.