腾讯混元 Hyra 2.0：让 AI 不只解题，还自己训出蛋白质模型、改进香山处理器
zovo约 2 分钟读完
让 AI 解开一道数学难题，答案出来就结束了，下一道题还得从头来。腾讯混元 11 月 1 日发布的 Hyra 2.0 换了个思路：让智能体去造和升级“工具”，比如训练一个新模型，这样以后每次用到它的研究都跟着受益。本文据官方博客整理，数字都是腾讯自己报告的，未经第三方复核，核对于 2026 年 11 月 4 日。
官方博客把 Hyra 2.0 的思路概括成“从答案到工具”。解出一道题只得到一个答案，做出一个更好的模型或工作流，则能帮到后面很多题。博客里说，这是 AutoResearch（自动化科研）的下半场，上半场是让 AI 循环刷题。
01三层分工，长任务不靠一个越拉越长的对话
训练一个模型要设计、写代码、训练、评估再返工，可能持续几天甚至几周。官方的做法是把智能体接进真实的研发环境：在企业微信里和研究者对需求，在计算平台提交实验，在代码仓库里改动并留下记录。花算力多的操作需要人工审批。
系统分三层：Overall 和人沟通、排优先级；Mission 长期负责一个研究问题；Worker 负责读代码、做实验、分析失败。Worker 交结果要附代码版本、日志等证据，必要时另起一个 Review Worker 独立复核。有用的经验会写进共享知识库，并标成“观察”“已验证”“约定”三档，只有被独立复现过的才算可靠。
02官方列出的成果
| 方向 | 官方说法 |
|---|---|
| 蛋白质设计 HyInv | 196 万参数的小模型，由 Hyra 2.0 从头训练；与行业常用的 ProteinMPNN 相比，设计质量更好，生成速度快 57 倍 |
| 蛋白质语言模型 HyPLM-Flash | 6.5 亿参数；在比较的 12 个模型里推理最快，35 个评测任务平均排名第 3 |
| 分子模拟 HyFF | 五种规模，230 万到 12 亿参数，覆盖 83 种元素；官方称五个模型都在精度与速度的前沿上 |
| 量子纠错 HyQEC | 构造的量子码编码效率指标 122.0，比 qLDPC Challenge 原榜首高约 48%；为榜单 187 个条目中的 178 个完成精确码距认证 |
| 灵巧手“旋梯手” | 仿真中旋转速度比同样微调过的论文最优设计快 28.6%；尚未经过真机验证 |
| 开源处理器香山 | 每 GHz 得分的几何平均提升 5.79%；发现 10 个官方 issue 里没有的 bug，并找到一个多核缓存一致性反例 |
数学方面，官方称 HyProver 工作流已经完整解决了多个开放问题，其中丘成桐的圆周作用猜想和五维 Petty 等距点猜想的证明，是和数学家一起核验整理的。
03读这些数字时该留的余地
几处限制官方自己写了：旋梯手只在仿真里测过；HyInv 和 HyPLM 的细节要等技术报告，HyQEC 还没发布；Hyra 2.0 系统本身没有开源，目前公开的是 GitHub 上的成果仓库 hyra-results，供社区检验。博客里的对比大多是腾讯自己选的基线和任务，最稳妥的看法是等第三方复现。香山那条“相当于官方团队 2 到 3 个月迭代”，也是按项目性能看板历史速度估算的，不是香山团队的说法。
资料来源（2026-11-04 核对）
本文由 zovo 编辑撰写，转载请注明出处。
Claude Code
Hy-Memory
Octop