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
清华 CVPR'26 Highlight 开源项目 AutoMIA，输入两张图即可生成可 3D 打印的体素镜像错觉艺术模型（STL-ready），单张 RTX 3090、76 秒/设计。
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」。