AIREITERTencent 的 Hyra 2.0 不是解完一个问题就把过程丢掉的聊天机器人，而是一套能够构建可复用科学模型和工具的科研智能体系统。需要先说清楚的是，它的智能体本身仍然只在 Tencent 内部运行，目前公开的只是部分产出。
Hyra-results 仓库把可以下载的成果与仅停留在发布公告中的结果区分开来。本文也会沿着这条界限展开。
Hyra 2.0 到底是什么，又不是什么
Hyra 2.0 是 Hunyuan Research Agent 2.0 的简称，也是 Tencent Hunyuan 面向科学研究与工程自动化打造的分层系统。Tencent 对它的定位不是又一个通用型 Hunyuan 聊天模型，而是用于开发可复用科学模型、验证流程和多步骤工作流的基础设施。
Tencent 官方 X 公告于 2026 年 11 月 2 日将 Hyra 2.0 描述为“下一代 Hunyuan Research Agent”，目标是“从解决问题转向构建可复用的工具、模型和工作流”。公开的 Hyra-results 仓库提供的是产出和部分训练好的模型，并不是完整的调度系统；公告和仓库都没有列出公开演示、安装包、API、价格或配额。更准确的理解是：Hyra 2.0 像一座实验室，而已经发布的 HyInv 和 HyPLM-Flash 蛋白质模型，则是从这座实验室里走出来的样本。
Hyra 2.0 如何让持续数周的项目不丢上下文
Hyra 2.0 通过三层智能体、持久化存储以及独立复核环节，组织长期运行的科研任务。IT之家发布的报道援引 Tencent Hunyuan 官方微信公众号称，Overall、Mission 和 Worker 三层分工可以让实验持续数天或数周，而不至于丢失上下文。
Overall 智能体与人类研究人员沟通、对齐目标并分配算力预算。Mission 智能体各自负责一个研究方向，选择实验路线，并对最终结论负责。Worker 智能体负责阅读代码、运行实时实验和分析失败原因，还可以质疑 Mission 智能体的判断；多个 Worker 可以基于不同基础模型并行工作。
底层还配有三种持久化机制：
- 项目状态记录研究项目当前进展，让任务在持久化队列中经受中断后仍能继续。
- 分层智能体记忆将短期观察与长期发现分开保存，而不是把所有内容一股脑塞进同一个上下文窗口。
- 共享 Books保存带有证据等级的知识：单次运行观察、经过复现的发现，以及人类确认的惯例。被证明具有迁移价值的方法，还会被提取为小型可复用技能，供后续运行调用。
系统还设置了两道防线。每个结论都必须附带具体日志和代码版本；在结果交给人类之前，独立的复核 Worker 会从全新的起点重新检查这项结论。根据Eyerys 的技术分析，大型算力任务仍需人工批准，系统也能连接企业消息工具、任务提交平台和代码仓库等常见实验室基础设施。
这种验证机制并非没有代价。一位实践者估计，Worker 互相检查彼此会话，可能会显著推高 token 成本（@d6355v）。Tencent 尚未公布 token 预算、算力成本、失败率，以及独立复核能够发现错误的频率。因此，目前更适合把它看作一套面向长期可靠性的架构设计，而不是已经公开运营成本的成熟服务。
目前 Hyra 2.0 实际发布了哪些成果
Hyra 2.0 的公开证据大致分为两类：一类是带有权重和代码、可以下载的成果；另一类是 Tencent 公布、但仍等待外部复现的结果。下表中的每一行都链接到可核查的来源。
| 成果 | 内容 | 核心数据 | 证据状态 |
|---|---|---|---|
| HyInv | 196 万参数的蛋白质逆折叠模型，权重 7.8 MB，提供 CLI + Python API | 生成速度约为 ProteinMPNN 的 57 倍；在 1 张 H20 GPU 上处理 148 个残基的蛋白质时为 25 ms 对约 1 s，数据来自TSN 的评测 | 成果可检查（MIT）；基准可运行；核心性能结果尚未得到独立复现 |
| HyPLM-Flash | 6.5 亿参数的掩码蛋白质语言模型，权重 2.6 GB，提供 INT8 引擎 | 在 1 张 H20 上约每秒处理 130,000 个残基；在 Tencent 对 12 个模型、35 项任务的测试中推理速度最快，平均排名第 3；ProteinGym Spearman 为 0.409，与 ESM-2 650M 级别并列，数据来自TSN 的评测 | 成果可检查（MIT）；需要 CUDA GPU；两项评测覆盖的模型和任务数量不同 |
| HyFF | 5 个机器学习力场模型（Presto、Vivace、Moderato、Andante、Largo），参数量为 230 万至 12 亿，支持 83 种元素 | Largo 的能量误差为 0.364 meV/atom，而 DPA4-Pro 为 0.380，速度快 9.7 倍；在 1 张 H20 上处理 2,586 个原子的分子动力学任务时，Andante 速度为 UMA-S-1.2 的 29 倍 | 成果可检查（Apache-2.0），附带 hyff 软件包；速度数据仅对应一项 H20 工作负载 |
| Petty 猜想 dim-5 | 证明成果：每个 5 维实赋范空间都包含 6 个等距点（此前最佳结果为 4 维，Makeev，2005），数据来自仓库索引 | 解决 5 维情形 | 论文可检查；未报告期刊同行评审 |
| Yau circle-action | 声称找到反例：存在一个闭 7 维流形，具有正截面曲率但不存在有效圆作用，数据来自仓库索引 | 解决无条件情形；单连通情形仍未解决 | 论文可检查；未报告期刊同行评审 |
| HyQEC | 源自 qLDPC Challenge 路线的量子纠错码，数据来自Prompt Blueprints | 编码效率比此前领先方案高约 48% | 已宣布；完整成果尚待发布到 GitHub |
| XiangShan RISC-V | 开源处理器优化项目，数据来自Prompt Blueprints | 每 GHz 得分提高 5.79%，面积增加很小；修复多核 bug | 已宣布；未披露基准名称和基线 |
| 机械手 | 五指机械手，手指长度呈梯度变化，数据来自Eyerys | 在固定预算仿真中，物体旋转速度提高 28.6% | 已宣布；目前仅有仿真结果 |
与 Hyra 1.0 相比，Hyra 2.0 的变化是从“给出答案”转向“交付资产”。Hyra 1.0 已证明这套循环可以运转：其中的 sums_diffs 条目将组合数学常数从 1.14489 提高到 1.21079，Tencent 认为它推动了一个存在 50 年的加性组合学问题。Prompt Blueprints 的发布分析指出，Hyra 2.0 保留了这种迭代引擎，同时加入层级架构、持久化项目和技能提取，目标是让每次成功都能被复用。
今天能运行什么，哪些部分仍留在 Tencent 内部
你可以运行 Hyra 2.0 产出的模型和工具，但目前没有公开的编排器安装包。Hyra-results 仓库采用 Apache-2.0 许可证，每个成果目录原则上都会包含最终产物和复现脚本。可以先这样开始：
git clone https://github.com/Tencent-Hunyuan/Hyra-results.git
ls AI4Science/hyinv接下来可以选择一条路径：
- HyInv（上手门槛最低）：打开
AI4Science/hyinv，其中提供权重、推理代码和技术报告。参考路径支持 CPU 和 GPU；加速版 BF16 路径目前仅在 Hopper 级别 GPU 上完成验证。 - HyPLM-Flash（需要 CUDA）：打开
AI4Science/hyplm_flash，然后运行weights/download.sh，下载、合并并验证 2.6 GB 权重。建议准备 H20/H100 级别 GPU；提取表示时使用 INT8，进行细粒度变体回归时使用 BF16。 - HyFF（要复现文中速度需要 H20）：前往 HyFF 部分，那里提供 5 个力场模型，每个模型大小为 9 MB 至 4.8 GB，并提供支持单结构、批处理以及 NVE/NVT/NPT 分子动力学的
hyff软件包。
仍未公开的部分包括 Overall/Mission/Worker 编排器、提示词、调度器、评估器，以及 Books/skills 存储系统。大型算力任务需要人工批准，也意味着它在资源分配上并非完全自主。简单来说：目前没有可供安装的科研智能体；最容易测试的成果只需下载 7.8 MB，因为TSN 提到，在相同骨架上直接比较 HyInv 和 ProteinMPNN，搭建成本并不高。
这些核心数据经得起推敲吗
TSN 报道称，截至 2026 年 11 月 2 日，所有性能数据都来自 Tencent 或模型文档，尚未有公开的独立复现。看待每个数字时，都要把它对应的测试范围和分母一起考虑。
首先，速度不等于质量。HyInv 所谓的 57 倍，比较的是一张 Nvidia H20 上的生成吞吐量（处理 148 个残基时约为 25 ms 对约 1 s；处理 402 个残基时为 54 ms 对 2.6 s），并不是湿实验成功率。结构相似度是根据预测结构计算的，目前也没有湿实验验证：
比 ProteinMPNN 快 57 倍、每秒约生成 2,500 个设计，这些说的是吞吐量，不是设计质量。接下来我更想看到的是：自洽 RMSD 和序列恢复率……而且逆折叠通常并不是瓶颈，真正耗时的往往是后续的折叠步骤。
其次，效率结论必须结合硬件和测试范围来看。HyPLM-Flash 的“12 个模型中最快”，指的是 Tencent 针对 12 个模型、35 项任务进行的博客评测；仓库中的匹配评测则覆盖 28 个检查点和 32 项任务，ProteinGym 零样本 Spearman 为 0.409，与 ESM-2 650M、ESM C 600M 和 E1-600M 在统计上并列。HyFF 宣称的 29 倍和 9.7 倍速度，均对应一张 H20 上的 2,586 原子系统；Andante 的力误差为 7.65 meV/Å，略高于 UMA-S-1.2 的 7.55 meV/Å。这更像是在精度接近时换取速度，而不是全面胜出。
第三，复用能力——也是 Hyra 2.0 的核心论点——目前仍未得到证明。发布材料没有说明生成的技能在复用前如何验证、由谁批准，也没有公布跨项目复用的测量结果：
与其只给出一次性答案，不如构建可复用工具，这个方向是对的。大多数智能体运行结束后，都会把任务过程中得到的一切丢掉。我很好奇 Hyra 如何判断一个工具已经足够可靠，可以保留下来并再次复用。
另一位实践者也从人机协作角度提出了同样的验证问题（@ModelPlaneHQ）。Tencent 的发布材料以及上文提到的第三方评测，都没有提供与 Google AI Co-Scientist 或 Sakana AI Scientist 等方案的正面对比。因此，今天若要给它们排名，依据仍然只能是 Tencent 自己的数据。面对任何由智能体构建的模型，都应该追问四件事：使用了什么硬件、采用什么质量设置、由谁复现，以及在哪些地方实现了复用？
常见问题
Hyra 2.0 是开源的吗？我可以试用吗？
框架本身是闭源的，但成果是开放的。目前没有面向智能体的公开演示、API 或安装包。HyInv 和 HyPLM-Flash 使用 MIT 许可证的模型包，HyFF 则遵循仓库的 Apache-2.0 条款；具体信息仍应以每个目录中的 README 和许可证为准。
Hyra 2.0 与 Hyra 1.0 有什么不同？
Hyra 1.0 专注于迭代式解决问题，包括一项长期未解决的组合数学成果。Hyra 2.0 增加了 Overall/Mission/Worker 层级、持久化项目状态、Books 知识库、技能提取，以及产出可复用模型和工作流这一明确目标。
这些数学成果经过同行评审了吗？
目前还不是期刊论文。Petty 五维结果和 Yau 反例论文已经公开，可以检查；仓库索引还记录了三个更早的有限核心结果（Beurling-Ahlfors、部分 Hadamard、commutator）的 Lean 4 形式化。现阶段应把它们都视为等待专家审查的主张。
复现这些蛋白质模型需要什么硬件？
HyInv 的参考路径支持 CPU 和 GPU，下载大小为 7.8 MB。HyPLM-Flash 的 2.6 GB INT8 引擎需要 CUDA GPU，建议使用 H20/H100 级别硬件；HyFF 的速度数据则以一张 H20 为前提。
如何客观看待 Hyra 2.0，避免过度解读
Hyra 2.0 的核心押注是：科学进步的基本单位应该是工具，而不只是答案；可复用技能不断积累，最终形成 Tencent 所说的“智能复利”（智能复利）。这次发布确实展示了归因于该系统的模型和工具，但这些工具能否在后续科研中持续提速，仍无法仅凭当前发布内容判断。只有当复用率、验证成本和独立复现结果与速度数据一同公开后，这个命题才算真正得到检验。