Tencent Hunyuan 2 ноября 2026 года выпустила Hyra 2.0 — новое поколение исследовательского агента (Hunyuan Research Agent), который работает не по формуле «одна задача, один запуск», а накапливает переиспользуемые научные модели, рабочие процессы и инструменты: полученные уроки система хранит в общей базе знаний «Books» и превращает их в навыки для будущих задач. В рамках этой работы агент самостоятельно обучил специализированные модели для белковой инженерии и открыто опубликовал коды, веса и технические отчёты, поэтому ключевые заявления релиза можно проверить без доступа к внутренним системам Tencent.

image
image

Что произошло

Команда Tencent Hunyuan выпустила вторую версию своего исследовательского агента Hyra. Предыдущая версия Hyra 1.0 вышла 21 июля и работала по минимальному циклу «предложить решение — запустить эксперимент — оценить метрику». В Hyra 2.0 появилась трёхуровневая иерархия агентов Overall, Mission и Worker, а сама система подключена к реальной исследовательской среде Tencent: корпоративному мессенджеру WeCom, вычислительной платформе и репозиториям кода. За время работы агент самостоятельно обучил набор специализированных моделей и опубликовал их веса для проверки сообществом. В списке артефактов модель обратного сворачивания белков HyInv на 1,96 млн параметров, генерирующая структуры примерно в 57 раз быстрее ProteinMPNN; белковая языковая модель HyPLM-Flash на 650 млн параметров с INT8-инференсом на скорости около 130 000 остатков в секунду на одной карте NVIDIA H20; а также пять силовых полей HyFF. Отдельно агент представил математические результаты: контрпример к гипотезе Ю о круговом действии на 7-мерном многообразии и доказательство гипотезы Петти в размерности 5. Публикация охватывает обе версии системы: коды, веса и технические отчёты Hyra 1.0 и 2.0 открыты в репозитории Tencent-Hunyuan/Hyra-results, а архитектура описана на официальной странице проекта.

Контекст

Фон для этого релиза — типовая схема работы исследовательских агентов, которую в индустрии называют AutoResearch: каждый запуск оптимизирует одну задачу в рамках заданного бюджета вычислений, а заработанный опыт исчезает вместе с завершением запуска. Hyra 2.0 спорит с этой логикой: уроки сохраняются в общей базе «Books» и затем возвращаются в работу как навыки, поэтому маржинальная стоимость каждой следующей задачи падает, а не обнуляется, и агент со временем становится богаче, а не начинает каждый раз с чистого листа. Второй важный сдвиг — среда исполнения: большинство агентных публикаций живёт в изолированной песочнице, тогда как Hyra 2.0 работает в связке с промышленным окружением компании, что делает её попыткой рабочего пайплайна, а не демонстрацией на витрине.

Почему это важно для индустрии

Для индустрии Hyra 2.0 ценна не столько отдельными моделями, сколько воспроизводимым архитектурным шаблоном: многоуровневая оркестрация агентов, слой накопительной памяти, где урок становится навыком, и публикация весов для независимой проверки. Экономическая логика меняется: каждый запуск оставляет после себя переиспользуемые модели, пайплайны и уроки, поэтому вложение вычислений превращается в актив, а не в расход, и внутренняя экономика Tencent перестраивается уже сейчас. Команды, строящие агентные системы, получают конкретный референс того, как организовать цикл с независимой верификацией и накоплением знаний, а не только оптимизацией одной метрики. Если открытые артефакты пройдут независимую проверку, вероятна волна имитации: лаборатории начнут публиковать «накопленные» инструменты и базы уроков, появятся open-source форки этого паттерна, а под давлением окажется методология бенчмарков для исследовательских агентов — оценивать придётся не отдельный запуск, а накопленный капитал системы.

Почему это важно для пользователей

Для читателя релиз удобен тем, что почти всё можно проверить без разрешения Tencent: репозиторий Tencent-Hunyuan/Hyra-results открыт, и в нём лежат коды, веса и технические отчёты обеих версий. Можно скачать веса HyInv и сравнить его с ProteinMPNN на собственном железе, проверить пропускную способность HyPLM-Flash, ориентируясь на заявленный throughput на одной NVIDIA H20, и подключить HyInv, HyPLM-Flash или HyFF к собственным прототипам — от дизайна белков до молекулярного моделирования. Тем, кто собирает собственный ИИ-агент, официальная страница Hyra 2.0 даёт работающий референс архитектуры, а база «Books» — наглядный образец того, как устроить в своём продукте накопленный слой знаний, в котором каждый выработанный урок остаётся в системе.

Что пока неизвестно / ограничения

Все эффектные цифры в публикациях — скоростные: ~57× против ProteinMPNN для HyInv и высокая пропускная способность HyPLM-Flash в INT8. Метрик точности моделей (например, sequence recovery для обратного сворачивания) в источниках нет, а скорость генерации сама по себе не доказывает качества. Математические заявления — контрпример к гипотезе Ю и доказательство гипотезы Петти в размерности 5 — либо верны, либо нет, но сведений о формальной проверке или внешнем рецензировании в исходных материалах не приведено. Наконец, Hyra 2.0 остаётся внутренним инструментом Tencent без публичного API, тарифов и SLA, и заявленный эффект накопления «Books → навыки» пока гипотеза: её предстоит подтвердить вне инфраструктуры Tencent и на чужих данных.

Источники

Автор

Look at AI, редакция