腾讯 Hyra 不造模型，造的是让 AI 自己改自己代码的系统

7 月 21 日，腾讯混元团队发布 Hyra-1.0（Hunyuan Research Agent）。没有发布会，没有倒计时，一篇研究博客加一个 GitHub 仓库。但它切入的问题是当前 AI 研究最活跃的前沿之一：能不能让 AI 自己设计实验、写代码、跑结果、看数据、决定下一步怎么改，循环往复直到找到最优解？

腾讯的回答是：可以，而且在一个轻量框架里做到了跨领域的 SOTA。

不是更大的模型，是会自我改进的系统

Hyra 的定位不是一个大模型，而是一个元系统——一套让模型充当研究者的脚手架。它遵循的设计原则只有一条：框架尽量轻量简单，智能体的动作空间尽量广阔。腾讯在博客中直接引用了 Rich Sutton 的 The Bitter Lesson，意思是别在框架层面搞精巧设计，把智能留给模型和算力。

架构上，Hyra 由三个角色组成。Context Agent 维护一个 Experience Bank——存放每次实验的代码、日志、评估反馈和产出物，从中提炼“灵感”放入任务队列。多个 Proposal Agent 从队列里领取上下文，各自在独立沙箱中生成解决方案、执行、收集评分。整个系统以异步生产者-消费者模式运转，算力越多，并行方案越多，资源利用率随时间自动扩展。

这套设计看起来简单，但有一个关键细节：对于没有预定义评估器的任务，Hyra 会升级为双层循环。内层循环用当前评估器优化解决方案；外层循环用积累的经验来改进评估器本身。这个设计直接解决了一个核心问题——reward hacking。当智能体足够聪明，它会找到评估器的漏洞而不是真正解决问题。让评估器也跟着进化，相当于给考试出题和答题两方都装上了学习系统。

腾讯在博客中提到一个具体案例：更强的搜索能力暴露了评估器的漏洞，比如解决方案利用双向注意力的信息泄漏或空 kernel 缓存来刷分。这恰好证明了固定评估器在强搜索面前有多脆弱，也说明了双层循环的必要性。

在 Recursive 的基准上全面超越

验证 Hyra 能力最直接的方式，是把它放在一个已有参照系的基准上跑。腾讯选择了 Recursive 在 2026 年 6 月发布的三项基准——NanoChat Autoresearch、NanoGPT Speedrun 和 SOL-ExecBench，分别测试模型训练、训练加速和 GPU kernel 优化。使用完全相同的任务定义和评估协议，Hyra-1.0 在三项上全部超越了 Recursive 此前报告的最优结果。

具体数字：NanoChat Autoresearch 的验证集 BPB 从 Recursive 的 0.9109 降至 0.9015；NanoGPT Speedrun 将训练时间从 77.5 秒缩短到 76.4 秒（目标验证损失 3.28）；SOL-ExecBench 对 235 个 GPU kernel 联合优化后，Mean SOL 从 0.754 提升到 0.771（1.0 为理论最优）。

NanoGPT Speedrun 的提升幅度看起来不大——77.5 秒到 76.4 秒，1.1 秒的差距。但这个基准的特殊之处在于它已经被人类社区优化了两年多，83 个人类贡献被收录进排行榜，训练时间从最初的 45 分钟一路压到 79.7 秒。Recursive 的系统在 6 月份花了大量算力才从 79.7 秒推到 77.5 秒，Hyra 又往前推了一步。在一个被深度优化的成熟基准上还能有提升，这比在全新基准上刷出高分更有说服力。

从 AI 研发到科学发现

AI for AI 是可控的——有明确的评估指标、低方差、可以检测作弊。但 Hyra 的野心不止于此。腾讯在科学和工程领域跑了一组更开放的任务。

数学方面，Hyra 从 EinsteinArena 等数据库中选取了 55 个开放数学问题，其中 29 个刷新了已知最优解。它为近百年太阳黑子数据（1749–1932 年）发现了一个递推公式，在样本外数据上达到 R²=0.77 的预测精度。更具体的一个结果：它设计出仅需 15 个可训练参数就能完成 10 位数加法的 Transformer，比此前公开记录少 58.3% 的参数。

量子计算方面，Hyra 产出的量子比特路由算法在 IBM Q20 上比经典 SABRE 算法提升了 44.4% 的路由效率。药物设计方面，它针对 PARP1 靶点生成的候选分子在结合亲和力和成药性综合指标上超过了已上市药物奥拉帕尼——但腾讯明确标注这仍是早期模拟，需要进一步验证。

这些结果里，数学和量子的结果相对可靠，因为有明确的可验证标准。药物设计的结果则需要大幅打折看待——从模拟到临床之间隔着巨大的鸿沟，腾讯自己也没把它当作已验证的成果来宣传。

这条赛道上已经有不少人

Hyra 不是第一个做这件事的系统，甚至不是第一个做到跨领域 SOTA 的。

Google DeepMind 的 AlphaEvolve 用 Gemini 驱动的编码智能体发现了 4×4 复数矩阵乘法的更优算法——48 次标量乘法，打破了 Strassen 1969 年的纪录——同时在另外 13 个矩阵乘法算法上刷新了 SOTA。Together AI 的协作智能体系统把 11 维 kissing number 的已知下界从 593 推到了 604。Andrej Karpathy 的 autoresearch 项目用几十行代码搭建了一个极简的自主研究循环。Recursive 的系统在三项 AI 研发基准上首次展示了 AI 超越人类社区的自动化研究成果，并开源了全部实验产出。

这些系统各有侧重：AlphaEvolve 偏向搜索式算法发现，Recursive 聚焦 AI 基础设施的自动化改进，Karpathy 的项目追求极简哲学。Hyra 的差异化在于两点：一是它明确把“轻量框架 + 广阔动作空间”作为设计原则，而不是在框架层面做复杂编排；二是它的双层循环设计，让评估器也能自我进化，这在其他系统中要么没有，要么只是隐含的。

真正值得关注的和需要警惕的

Hyra 的发布信号很清晰：腾讯在 AI Agent 这条赛道上选了一个基础设施级别的卡位。不是去做又一个更大的模型——那个赛道已经挤到呼吸困难——而是做一个能让模型自己改进自己的元工具。腾讯在博客中透露，新一代混元模型和部分产品将与 Hyra 持续共进化，暗示 Hyra 不只是研究项目，而是会进入实际产品研发流水线。

但几个问题也需要正视。

第一，目前所有结果都来自单方报告。Recursive 至少开源了实验产出可供第三方检查；腾讯的 GitHub 仓库存在但尚未确认是否包含可复现的完整实验。在递归自我改进这个极其讲究可复现性的领域，单方基准加分需要等独立复现才能坐实。

第二，Hyra 在科学任务上的结果——尤其是药物设计——离实际应用还有很远距离。29/55 的数学题刷新纪录令人印象深刻，但“开放数学问题”的难度分布并不均匀，其中有多少是真正有科学价值的难题、多少是参数调优空间较大的“软”问题，需要看具体问题列表才能判断。

第三，“框架尽量轻量”的设计哲学在简单任务上可能是优势，但当任务复杂度上升到需要多智能体协作、结构化知识管理、长程依赖追踪时，轻量框架能否撑住是一个工程层面的开放问题。

不过这些局限并不削弱一个基本判断：AI 研究正在从“人类想方向、AI 执行”转向“AI 自己想方向、自己执行、自己判断方向对不对”。这条路线的技术可行性已经被多个独立团队验证。腾讯入场，意味着这个方向在中国大厂中正式获得了资源投入，接下来要看的是它能否从研究博客变成真正可用的工具。

来源：

• 腾讯 Hyra 研究博客：https://hy.tencent.com/research/hyra
• Recursive: First Steps Toward Automated AI Research：https://www.recursive.com/articles/first-steps-toward-automated-ai-research
• DeepMind AlphaEvolve：https://deepmind.google/discover/blog/alphaevolve/