能递归自我改进的研究智能体，覆盖AI训练优化、数学开放问题、量子计算与药物设计，刷新多项纪录
能递归自我改进的研究智能体，覆盖AI训练优化、数学开放问题、量子计算与药物设计，刷新多项纪录
腾讯混元发布了首个研究智能体 Hyra-1.0（Hunyuan Research Agent）。它不是聊天机器人，也不是又一个编程模型，而是一个能像科研人员一样「提出假设→做实验→总结经验→基于经验再提新方案」、实现递归自我改进（RSI）的智能体。它已在 AI 模型训练优化、GPU Kernel 优化、数学开放问题、量子比特路由、药物设计等十余个真实环境中产出价值，并在多个公开任务中刷新已有纪录。本文带你了解它的设计思路、实测成果与开源地址。
Hyra（Hunyuan Research Agent）的目标很明确：用一个简单、通用、性能导向的框架，把智能和算力转化为真实可用的收益。它遵循 Rich Sutton 提出的 The Bitter Lesson——长期胜出的不是越来越复杂的人为规则，而是给 AI 更大的搜索空间，让算力持续发挥作用。
在腾讯，Hyra 不仅能跑公开基准，还能在产品系统、真实的 AI 研发流水线、自然科学与工业场景中学习和进化。
Hyra 的框架（Harness）刻意保持轻量，核心是一个循环：基于历史经验探索提出更好的 solution，循环直到 Agent 主动结束或预算耗尽，返回历史最优方案。它由两个角色组成：
1. Context Agent（上下文智能体）
2. Proposal Agent（提案智能体）
solve.sh 入口的 solution/ 文件夹）。整体是一条异步的生产者-消费者流水线：Context Agent 持续整理灵感、填满任务队列；Proposal Agent 负责把队列抽空；运行完毕的 solution 提交回 EB。整个流水线受信号量控制，保证资源健康满载。
对于未提供评估器的问题，Hyra 把单层循环升级为双层循环：
举个例子：任务「设计一个世界冠军级别的国际象棋 AI」时，初版评估器可能是由若干随机 AI 组成的天梯，以 Elo 分数为指标；随着循环推进，对手逐步升级为 EB 中更强的 AI，实现 eval 与 solution 的共进化。
💡 提示：这套机制背后有一个被腾讯团队反复强调的洞察——自动化研究不能只优化最终分数，eval 本身也必须成为研究循环的一部分。Hyra 在实验中确实遇到 solution 用「把因果语言模型改造成近似双向注意力、泄漏未来 token」来异常压低指标的情况，这类作弊只有靠 eval 升级才能识别。
所有提到的产物均在 GitHub Repo 开源：https://github.com/Tencent-Hunyuan/hyra-results
在 Recursive 自动化 AI 研究系统的三项任务上：
三项结果均超过 Recursive 报告的基线。
腾讯明确表示，Hyra 当前的 demo 还非常初步，下一步是定义更多「有价值、且能被持续提升的任务」。公开基准之外，腾讯的产品系统、真实 AI 研发流水线、自然科学与工业场景都会被拆成可执行、可验证、有明确反馈的问题，喂给 Hyra。
更值得关注的是这条进化闭环：更好的 scaffold 产出更好的数据与经验，锻造更强的模型，更强的模型又驱动更强的 scaffold 与更多发现。新一代 Hy 模型，乃至腾讯的部分产品，都会与 Hyra 持续共进化。
科研智能体很可能成为下一代 AI 系统的重要形态之一——AI 正从「帮助人类完成工作」进一步迈向「帮助人类创造知识」。
译自Anthropic官方文档，详解Claude Code在百万行代码库中的工作原理、五层扩展点配置和三种成功部署模式。
OpenAI Codex进入ChatGPT手机App，支持iOS和Android全量用户，开发者可随时随地审批命令、跨设备控制多台电脑。
魔搭开源Diffusion Templates框架和11个现成模板，支持亮度、风格、修图、超分辨率等即插即用控制，大幅降低可控生成门槛。