7月21日，腾讯混元团队正式推出Hyra-1.0（Hunyuan Research Agent）。这是一个能够递归自我改进、专为性能导向的研究与工程任务打造的智能体。与市面上大多数“能聊会写”的AI不同，Hyra被设计成一个真正的科研与工程生产力工具——它能写代码、跑实验、分析数据，然后基于实验结果再次改进自己，循环往复，直到解决问题。

过去一年，递归自我改进（RSI）与自动化研究已经成为AI领域最活跃的前沿方向之一。Google DeepMind的AlphaEvolve、Together AI的协作智能体、Andrej Karpathy的autoresearch接连涌现。Hyra的独特之处在于：它在一个轻量通用的Harness框架下，把智能和算力转化为真实收益，同时覆盖AI研发、科学发现和工程创新三大领域。

一、一个框架，三条战线：AI for AI、AI for Science、AI for Fun

腾讯将Hyra的应用场景划分为三个维度。

AI for AI —— 让AI自己优化AI。 这是Hyra最硬核的能力。在三项基准测试中，Hyra均超越了此前公开的最优记录：

NanoChat Autoresearch任务：验证集BPB降至0.9015

NanoGPT Speedrun：达到3.28验证损失的时间缩短至76.4秒

SOL-ExecBench：对235个GPU kernel联合优化后Mean SOL达到0.771

这意味着Hyra不仅能写代码，还能优化AI训练流程本身——从模型架构到GPU内核，它都能自己动手改进。

AI for Science —— 让AI成为科学家的研究助理。 Hyra在55个数学开放问题中的29个上刷新了历史最佳纪录。更令人印象深刻的是，团队向Hyra提供了1749年至1932年的逐月太阳黑子数据，它发现了一个递推公式，在近一个世纪样本外预测中R²达到0.77。

在量子计算领域，Hyra设计的量子比特路由算法在IBM Q20上较经典SABRE算法提升44.4% 的路由效率。在药物设计中，Hyra针对抗癌靶点PARP1生成的候选分子，结合成药性评分显著超过已上市药物olaparib。

AI for Fun —— 让AI也能玩。 Hyra通过自对弈开发的黑白棋程序，在Botzone平台730个参赛程序中排名第三。它还能仅凭单张2D参考图像生成可渲染的3D模型，以及根据单一旋律为多种乐器编写完整的和声。

二、技术拆解：轻量框架，异步流水线，递归自我改进

Hyra的核心是一个“轻量、简单”的通用框架。给定任务描述，Hyra持续运行一个循环：基于历史经验探索并提出更好的解决方案。历史经验包含过去方案的运行日志、评估器反馈、方案源代码等。循环一直持续到智能体主动结束或预算耗尽。

具体架构上，Hyra采用“生产者-消费者”异步流水线模式：

Context Agent负责维护经验库，持续生成“灵感”上下文并填入任务队列

多个Proposal Agent从队列领取上下文，在独立沙盒中生成并运行解决方案

整个系统以异步流水线运转，资源利用率可随时间高效扩展

对于未提供评估器的任务，Hyra还能升级为双层循环——让解决方案与评估机制共同进化，有效抑制reward hacking。

三、一个最容易被忽视的细节：15个参数解决10位数加法

在Hyra的众多成果中，有一个数据值得单独拎出来：Hyra设计出仅需15个可训练参数即可完成10位数加法的Transformer，较此前公开记录减少了58.3%。

15个参数是什么概念？一个普通的大语言模型有数十亿甚至万亿参数。15个参数完成10位数加法，意味着Hyra在极度精简的架构设计上找到了人类工程师未曾发现的路径。这恰恰是递归自我改进智能体的核心价值——它不依赖规模取胜，而是通过持续探索找到更优解。

腾讯表示，这些仍属初步成果。未来，Hyra将被接入产品系统、真实AI研发流水线及工业场景，转动“脚手架-数据-模型”的进化循环，让新一代混元模型与Hyra持续共进化。Hyra的开源结果已在GitHub发布。

当一个AI能自己优化自己、自己发现科学规律、自己设计药物分子，甚至自己下棋写歌——它不再只是一个“回答问题”的工具，而是真正意义上的研究伙伴。Hyra-1.0只是一个开始。