Tencent 混元（Hunyuan）は初のリサーチエージェント Hyra-1.0（Hunyuan Research Agent）を発表しました。これはチャットボットでも、また一つのプログラミングモデルでもなく、科研者のように「仮説を立てる → 実験する → 経験をまとめる → 経験に基づいて新しい案を提起する」を行い、再帰的自己改善（RSI）を実現するエージェントです。AI モデルの学習最適化、GPU カーネル最適化、数学の未解決問題、量子ビットルーティング、創薬など10余りの実在環境で価値を産出しており、複数の公開タスクで既存の記録を更新しています。本稿ではその設計思想、実測成果、オープンソースの所在を解説します。

Hyra とは

Hyra（Hunyuan Research Agent）の目標は明快です。シンプルで、汎用的で、性能志向のフレームワークを使い、知能と計算資源を実際に使えるリターンへ変換すること。Rich Sutton が提唱した The Bitter Lesson に従います。長期的に勝つのは、ますます複雑になる人為的なルールではなく、AI にもっと大きな探索空間を与え、計算資源を持続的に作用させることです。

Tencent の中で、Hyra は公開ベンチマークを走れるだけでなく、製品システム、実際の AI 研開発パイプライン、自然科学と産業のシーンの中で学習し進化できます。

Harness 設計: 2つのコアロール

Hyra のフレームワーク（Harness）は意図的に軽量に保たれており、核心は一つのループです。歴史的経験に基づく探索でより良い solution を提案し、エージェントが自発的に終了するか予算を使い切るまでループし、歴史上最良の方案を返します。2つのロールで構成されます:

1. Context Agent（コンテキストエージェント）

• 経験バンク（Experience Bank，EB）を維持する。
• 探索の中で提案された solution とその評価結果を EB に書き込む。
• EB から「インスピレーション」（inspirations）を一つずつ統合する。これは文脈の集まりで、コード、ファイル、産出物、ログを含むことがある。
• インスピレーションをタスクキューへ送る。

2. Proposal Agent（提案エージェント）

• 毎回タスクキューからインスピレーションの文脈を一つ受け取る。
• 文脈への反思に基づき、新しい solution を書く（solve.sh エントリを備えた solution/ フォルダ）。
• 全く新しいサンドボックスの中で実行し、採点する。

全体は一本の非同期のプロデューサ-コンシューマパイプラインです: Context Agent が絶えずインスピレーションを整理してタスクキューを満たし、Proposal Agent はキューを空にする役を担い、実行し終えた solution は EB へ提出し戻されます。パイプライン全体はセマフォで制御され、リソースが健全に満載されることを保証します。

evaluator がない場合はどうするか: 二層ループ

評価器を提供しない問題に対し、Hyra は単層のループを二層のループへ拡張します:

1. まず Hyra がタスク記述に基づいて初期版の評価器を設計する。
2. 内層のループがその評価器に基づいて solution を繰り返し最適化する。
3. 内層が終わった後、Hyra が EB の経験履歴と合わせて、評価器をさらに最適化する（効率の向上、reward hacking の減少、評価粒度の強化）。
4. 拡張した評価器で次のラウンドのループを開始する。

一つ例を挙げます: タスクが「世界チャンピオン級のチェス AI を設計する」の場合、初期版の評価器は複数のランダム AI からなる天梯で、Elo スコアを指標とするでしょう。ループが進むにつれて、対戦相手は段階的に EB の中のより強い AI へと昇級し、eval と solution の共進化を実現します。

💡 ヒント: このメカニズムの背後には、Tencent チームが繰り返し強調する洞察があります——自動化リサーチは最終スコアだけを最適化してはならず、eval 自体もリサーチループの一部でなければならない、というものです。Hyra は実験の中で、solution が「因果言語モデルを近似双方向アテンションに改造し、未来の token をリークする」ことで異常に指標を下げるというケースに実際に出くわしました。こうした不正は eval の昇級によってのみ識別できます。

実測成果（実験産出物はオープンソース化済み）

言及したすべての産出物は GitHub Repo でオープンソース化されています: https://github.com/Tencent-Hunyuan/hyra-results

AI for AI: 研開発パイプライン上の最適化

Recursive の自動化 AI リサーチシステムの3つのタスクにおいて:

• NanoChat Autoresearch: 固定予算内でモデル構造、オプティマイザ、学習率戦略、データフローと実行効率を共同でトレードオフし、最終的に Validation BPB を 0.9015 まで下げました。
• NanoGPT Speedrun: 長期にわたるコミュニティ最適化が済み、残された向上余地が極めて小さいタスクで、3.28 validation loss に到達する時間をさらに 76.4s まで短縮しました。
• SOL-ExecBench: 実在のワークロードに向けて 235 個のカーネルを共同最適化し、Mean SOL は 0.771 に達しました。

3つの結果はいずれも Recursive が報告したベースラインを超えています。

AI for Science: 数学から創薬まで

• 数学の未解決問題: EinsteinArena、Erich's packing center などのデータベースから 55 個の数学の未解決問題を収集しました。多くの問題は数十年進展がありませんでした。Hyra はそのうち 29 問で歴史的最良結果を更新しました。
• 天文データ: 1749〜1932年の月別の太陽黒点データが与えられると、Hyra は一つの漸化式を発見し、1932〜2026年の約1世紀にわたるサンプル外記録で R²=0.77 の予測精度を達成しました。AI の学習ログから scaling law を発見することもできます。
• ニューラルネットワーク圧縮: 訓練可能パラメータをわずか 15 個しか含まないだけで 10 桁の加算をこなせる Transformer を設計しました。Adderboard の公開記録である 36 パラメータより 58.3% 減です。
• 量子コンピューティング: IBM Q20 上で、古典的な SABRE アルゴリズムと比べてルーティング効率が 44.4% 向上し、CX 等価の 2 ビットゲート数は 69 から 24 へ（65.2% 減）減りました。
• 創薬: PARP1 ターゲットポケットが与えられると、Hyra が得た候補分子は結合-薬制性の共同スコアリングで、上市済みの PARP 阻害剤 olaparib（オラパリブ，−9.77）を顕著に上回る −10.60 に達しました。公式はこれが初期のシミュレーションスクリーニング結果であり、その後もより厳密なシミュレーション、合成と湿実験による検証が必要だと強調しています。

AI for Fun: 対戦、モデリング、音楽

• オセロ bot: セルフプレイによる継続的最適化を通じて、MinMax から段階的に、AlphaZero 式の PUCT と MCTS を組み合わせたハイブリッド方案へ進化し、Botzone の 730 個の参加プログラムの中で第 3 位にランクインしました。
• 3D モデリング: 1 枚の 2D 参照画像だけに基づいて物体の三次元構造を設計し、レンダリング可能な 3D モデルを生成。Claude Code の goal モードが生成したモデルより参照画像に近い結果です。
• 音楽創作: 一つの旋律が与えられると、複数の楽器のために完全な和声を書き、7 ラウンドの進化を経て、保守的な讃美歌式の和声から、複数楽器、減和音/六の和音を含む完全なオーケストレーションへと発展しました。

活用シーンと今後のパス

Tencent は明確に、Hyra の現在の demo はまだ非常に初期であり、次のステップは「価値があり、かつ持続的に向上できるタスク」をもっと定義することだと表明しています。公開ベンチマークの外に、Tencent の製品システム、実際の AI 研開発パイプライン、自然科学と産業のシーンは、実行可能、検証可能、明確なフィードバックのある問題へと分解され、Hyra に与えられていきます。

もっと注目に値するのはこの進化の閉ループです: より良い scaffold はより良いデータと経験を産出し、より強いモデルを鍛え、より強いモデルはさらに強い scaffold とより多くの発見を駆動する。新一代の Hy モデル、さらには Tencent の一部の製品も、Hyra と持続的に共進化していきます。

科研エージェントは、次世代 AI システムの重要な形態の一つになる可能性が高いです。AI は「人間の仕事を手伝う」から、さらに「人間が知識を創造するのを助ける」へと進みつつあります。

リソースリンク

• リサーチブログ: https://hy.tencent.com/research/hyra
• 実験産出物（オープンソース）: https://github.com/Tencent-Hunyuan/hyra-results
• Tencent 混元公式サイト: https://hy.tencent.com/

誰が注目すべきか

• AI 研究者とエンジニア: 再帰的自己改善、自動化 AI リサーチの方向を注目している人。
• 科学計算と学際分野の実務者: 数学の未解決問題、量子コンピューティング、創薬、天文データ分析。
• エージェント形態の進化を注目する製品・技術の意思決定者: AI がどうベンチマークテストから実在の科研パイプラインへ向かうかを見る。