回顧三個月前，騰訊混元推出了面向通用科研問題的極簡 Agent 循環系統 Hyra1.0。在其開源模型 Hy3的驅動下，Hyra 曾成功解決了加法組合學中懸而未決五十多年的核心難題——和集與差集的最優指數，創造了國產開源模型首次全自動解決數學開放問題的歷史記錄。隨後，國際 AI 巨頭也紛紛在數學和理論計算機科學領域展開角逐。

既然“AI 刷題”的路徑已經走通，自動化科研的下一步究竟該走向何方?怎樣才能讓 AI 更經濟、更可持續地解決複雜的科學難題?面對這些行業思考，騰訊混元給出的答案是:工具升級。過去的 AI4Science 經歷了從面向特定問題的 AlphaFold、AlphaEarth、AlphaGeometry，到由通用模型驅動 Agent 直接解決科學問題的範式演進;而如今發佈的 Hyra2.0則希望再向前跨越一步，讓通用 Agent 深度參與科學工具與模型的研發和升級，讓一次研發的成果在後續研究中被反覆使用，形成智能複利。

image.png

爲升級工具而生的全新 Harness 架構

研發工具對底層的 Harness 提出了遠高於單純解題的要求。訓練一個模型往往需要經歷方案設計、代碼實現、訓練、評估和反覆修改，整個週期長達數天甚至數週。爲了讓 Agent 適應真實的工業級研發環境，Hyra2.0接入了騰訊內部的實際研發流水線:在企業微信中與研究者對齊需求，在計算平臺上提交和管理實驗，在代碼倉庫裏實現、驗證改動，並妥善保存實驗過程和產物。

在分工協作上，Hyra2.0採用了 Overall、Mission 和 Worker 三層創新架構:

Overall（總體協調）: 負責與人類研究者溝通，管理項目優先級，協調算力資源和關鍵決策。

Mission（任務長官）: 長期負責一個獨立的研究問題，決定研究路線、設計實驗、組織 Worker 並對最終結論負責。

Worker（執行工蜂）: 獨立閱讀代碼、執行實驗、分析失敗原因並提出新想法。系統支持不同的 Worker 選用不同模型，提供多角度的分析與複覈意見。

爲了支撐長期、並行的複雜研究，系統引入了持久化隊列和 Research Board（研究看板），並設計了獨立的複覈機制(Review Worker)來嚴控結論質量。同時，爲了避免重複摸索，Hyra2.0將項目狀態、Agent 工作記憶和可複用經驗分開保存，並在共享知識庫 Books 中沉澱下經過驗證的有效方法，最終整理成可遷移的 skill，供後續任務反覆調用和持續迭代。

image.png

覆蓋七大前沿領域的初步成果與硬核突破

目前，Hyra2.0已經完成了大批前沿工具與模型的研發升級，相關成果已持續在開源社區公開。具體涵蓋七大核心方向:

HyInv（蛋白質逆折疊）: 針對藥物設計中的逆折疊難題，Hyra2.0從頭訓練了一個僅有196萬參數的圖神經網絡 HyInv。它採用了“先起草、再改寫”的兩步採樣方法，相比行業常用的 ProteinMPNN，生成的序列與目標結構吻合度更好，生成速度狂飆57倍。

HyPLM（蛋白質語言模型）: 從頭訓練的高效蛋白質語言模型 HyPLM-Flash 擁有6.5億參數，累計使用7260億訓練 Token(僅爲同類模型的五分之一到八分之一)，在同類對比中展現出最快的推理速度，在35個評測任務中平均排名第3。

HyFF（原子級基礎模型）: 面向大規模分子模擬的原子級基礎模型 HyFF 提供五種規模(230萬到12億參數)，支持83種元素。其實際模擬成功支撐了近6萬原子水通道蛋白膜體系的100納秒模擬，以及4.6萬原子酶體系中完整斷鍵、成鍵反應過程的追蹤。

HyProver（數學證明工作流）: 一套面向純數學證明的 Agent 工作流，在保持高 Token 效率的同時具備強探索能力。目前已協同數學家覈驗並整理好了丘成桐先生的圓周作用猜想與五維 Petty 等距點猜想的證明。

HyQEC（量子糾錯系統）: 面向量子低密度奇偶校驗碼(qLDPC)的構造與驗證系統。其設計的 Split Pauli-CPM 算法成功構造並嚴格驗證了量子碼 [488，123，22]，編碼效率指標比原榜首提升約48%;在碼距驗證上，GPU 加速搜索吞吐量達到原 CPU 工具的8到55倍，並完成了排行榜187個條目中178個的精確碼距認證。

靈巧手本體設計: 嘗試將探索延伸至機器人本體結構。Agent 自主發現了一種五指繞掌心排列、長度漸變的“旋梯手”設計。在相同的策略微調預算下，其平均旋轉速度達到3.277rad/s，比最優設計快28.6%，目標完成數提升21%。

香山處理器優化: 圍繞開源 RISC-V 處理器“香山”開展性能調優與正確性驗證。通過修復多項問題，使 SPEC CPU2006基準測試的每 GHz 得分提升5.79%（相當於官方2到3個月的迭代成果）;同時通過新設計的 fuzz 測試和形式化驗證，找出了10個未公開的 Bug 及一個多核緩存一致性反例。

持續進化:讓今天的研究成爲明天的工具

目前，Hyra2.0也正在全面深入騰訊混元下一代 Hy 模型的預訓練、後訓練與推理優化中，通過縮短實驗週期、自動化生成高質量訓練數據來降低開銷。

隨着 Hyra2.0的正式發佈，自動化科研正迎來深刻範式轉變:AI 的貢獻不再侷限於解出某個具體答案，而是切實提高一類問題的研究能力。通過把單次嘗試中的寶貴經驗沉澱爲可複用的工具、工作流與 Skill，讓每一次研發的價值在反覆使用中不斷累積，最終通過“工具造得越好，造工具的系統就越強”的正向循環，持續加速拓展人類科學的邊界。