罗生门

腾讯混元发布首个AI科学家Hyra！简单有效，能递归自我改进_我的网站

A |     一个长期存在的理论认为，该时期最初的冷却是由海冰对海洋的反馈维持的。随着海冰的扩大，洋流变慢，这反过来又减少了来自南方的暖水的流动。    专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态，欢迎关注！               递归自我改进与自动化研究正成为 AI 领域最活跃的前沿问题。埃克塞特大学进行了一项新研究，研究人员利用可以存活几百年的圆蛤(quahog clam)的壳研究了海洋在过去几个世纪中是如何改变和应对外部变化的。结果表明，北大西洋气候系统失去了弹性（从外部变化中恢复的能力）并在小冰期之前失去了稳定，额这可能导致它进入到一个新的、更冷的状态。此外，根据专家们的说法，北大西洋的一个新临界点可能正在接近，这对该地区的气候有重大影响。Agent 们正在开放式科学发现里超过人类。这项工作有助于研究人员们了解临界点是如何以及何时被触发的，这很重要，因为科学家已经发出警告，由于人类驱动的气候变化许多临界点现在可能正在接近全世界。来自埃克塞特全球系统研究所的研究论文第一作者Beatriz Arellano-Nava说道：“判断一个系统正在接近一个突然转变的一个方法是，它对扰动（外部变化）的反应变得缓慢。换句话说，一个系统失去了返回其平均状态的能力，而是可以‘倾斜’到一个新的状态。”“就小冰期之前的北大西洋而言，这种弹性的丧失使系统容易受到突然转换的影响，可能预示着向小冰期条件的过渡，”共同领导这项研究的Paul Halloran博士说道。         Google DeepMind 的 AlphaEvolve 把 4×4 复数矩阵乘法压到 48 次标量乘法，Together AI 用一群 Agent 把 11 维 kissing number 下界从 593 推到 604，Karpathy 的 autoresearch 给了极简自动训练研究框架。新研究警告称，北大西洋系统的脆弱性是今天的一个关键问题，最近的分析表明，它在上个世纪已经不稳定并可能正在接近一个临界点。全球系统研究所所长Tim Lenton教授说道：“我们的最新分析表明，由于全球变暖，北大西洋北部的洋流系统现在可能再次面临临界点的风险，并再次导致欧洲上空出现突然的气候变化。         腾讯混元刚刚发布了首个 AI 科学家 Hyra（Hunyuan Research Agent，混元研究 Agent），定位是能递归自我改进的研究型 Agent。

B |          它用一套极简脚手架，跑通了十多个自我改进和自动化研究场景里的真实任务。”据悉，对蛤蜊壳的分析集中在氧和碳同位素以及壳的生长上--所有这些则都可以作为环境变化的措施。         Hyra 把智能和算力换成可验证的成果，AI for AI、AI for Science、AI for Fun 三条线都有具体产出，部分数学题和 GPU 内核优化还刷新了业内已知最好成绩。         Hyra 长什么样          Hyra 的设计哲学来自 Rich Sutton 那篇经典的 The Bitter Lesson（苦涩的教训），框架尽量轻，给 Agent 留足动作空间。         拿到一个任务描述，Hyra 会跑一个持续循环，从过往经验里找灵感，迭代出更好的方案。经验包括执行日志、评估器反馈、源代码、之前方案留下的工件。循环一直跑，直到 Agent 自己决定停下或者算力预算耗尽，最后交回最优解。         上图是 Hyra Harness 的核心循环。Context Agent 维护经验库，不断往任务队列里加新的灵感上下文。多个 Proposal Agent 从队列取灵感，写出更好的方案。每个方案以 solve.sh 为入口，在隔离沙箱里跑一遍拿到分数，再把工件交回经验库。         具体看，Context Agent（上下文 Agent）维护一个 Experience Bank（经验库，简称 EB），记录所有方案和评估结果，再把 EB 里的素材合成为 Inspiration（灵感）丢进任务队列。每个灵感是一坨上下文，可能含代码、文件、工件、日志，把探索过程里学到的东西打包传递下去。

C |          多个 Proposal Agent（提案 Agent）从任务队列拿灵感，反思后写出一个新方案，落到 solution/ 目录里，入口是 solve.sh。方案在隔离沙箱里跑一遍，拿到分数，再把结果送回 EB。

D |          整个系统是异步的生产者-消费者管线。Context Agent 持续填灵感，提案 Agent 消费队列，方案在沙箱跑评估后回传 EB。

E | 信号量控制并发，让方案质量随时间稳定提升。

F |          任务连评估器都没有时，Hyra 会升级成双层循环。先从任务描述生成一个初始评估器，内层循环拿它反复改进方案。         内层结束后，Hyra 用 EB 里攒下的经验去改评估器，让评估代码更高效，降低 reward hacking（奖励作弊）风险，加上更细颗粒度的反馈。下一轮用升级后的评估器重开。         举个具体例子。任务是设计一个世界冠军级别的国际象棋 AI，初始评估器可能用随机生成的对手群搞 Elo 评级。

G | 循环跑下去，那些随机对手会被 EB 里记录的更强 AI 替掉，评估器和方案一起往上进化。         AI 训 AI，跑赢同行          基础模型研发本身有大量可执行、可评估、可迭代的研究环，是 Research Agent 最天然的应用场景。

H | 训练配方、数据策略、训练和推理系统、底层 kernel、评估框架，都需要研究员提假设、写代码、跑实验、看反馈再改。Research Agent 能把每次成功和失败都变成可复用经验，迭代速度远超人工。         Hyra 在 Recursive 公开的三个任务上做了对比测试，NanoChat Autoresearch、NanoGPT Speedrun、SOL-ExecBench，分别对应固定预算训练、训练加速、GPU kernel 优化。沿用 Recursive 的任务定义、评估协议和初始方案，公平较量。         三个任务都跑赢 Recursive。注意几个任务已经被研究社区反复打磨过，基线本身已经很强。

I |          NanoChat 上，Hyra 要在固定预算里平衡模型架构、优化器设计、学习率策略、数据流和执行效率，最后把 Validation BPB 压到 0.9015。         NanoGPT Speedrun 是社区精修过的加速榜，提升空间很小，Hyra 把达到 3.28 验证损失的时间从 77.5 秒压到 76.4 秒。         SOL-ExecBench 上，Hyra 联合优化 235 个 GPU kernel 的真实负载，Mean SOL 做到 0.771。         三个任务覆盖训练算法、训练系统、底层 kernel，同一套研究环能跨不同反馈环境继续产出可执行、可验证的改进。

J |          搜索越强，评估器越早被钻空子。         NanoChat 里有个方案把因果语言模型改成接近双向注意力的结构，让未来 token 提前泄露，BPB 假性变低。SOL-ExecBench 里有个方案在正确性检查时缓存输出，在计时阶段跑空 kernel，分数好看但没真正解题。         光优化最终分数不够，评估本身必须进研究环。方案搜索越强，评估器和验证管线得跟着进化，才能把真进步和 reward hacking 区分开。         AI for AI 还有一个隐性闭环。

K | 强 Research Agent 加速模型、训练系统、基础设施的研发，更扎实的 AI 系统反过来又把下一代 Research Agent 推得更强。         科学难题上的新答案          数学这块，Hyra 收集了 55 个开放数学问题，来自 EinsteinArena 和 Erich's Packing Center 等来源，很多几十年没动过。Hyra 在其中 29 个上拿到了新的最优已知结果。         它还会从实验数据里挖规律。给它 1749 到 1932 年的月度太阳黑子数据，Hyra 找到了一个能预测黑子数的递推关系，在 1932 到 2026 年近一个世纪的样本外数据上 R² 达到 0.77。         同样思路可以分析 AI 模型训练日志，挖出 scaling law（缩放定律），反过来指导训练配方设计。         除了挖规律，Hyra 还能直接设计科学和工程工件。三个代表性例子。

L |          第一个是超小 Transformer。

M | Hyra 设计了一个只有 15 个可训练参数的 Transformer，能做两个 10 位数相加。

N | 比 AdderBoard 上 36 个参数的公开纪录少 58.3%。Hyra 能在严格资源约束下联合搜索模型架构和计算机制，对研究神经网络极限和模型压缩有参考价值。         第二个是量子计算里的 qubit routing（量子比特路由）。

o | 逻辑量子比特要映射到物理芯片上有限的耦合拓扑，非相邻比特之间的操作通常需要插入 SWAP 门，带来双比特门开销和噪声。

p |          Hyra 设计的路由算法在 IBM Q20 上比经典 SABRE 方法提升 44.4%。同一个 24-CX 路由窗口里，SABRE 插了 15 个 SWAP，Hyra 一个没用，把 CX 等价双比特门从 69 个压到 24 个，降幅 65.2%。双比特门少，执行时间短，累积误差也小。

q |          第三个是药物设计。PARP1 是 DNA 损伤修复里的关键酶，和同源重组修复缺陷的肿瘤细胞有合成致死效应，是精准肿瘤学里的热门靶点。Hyra 拿到 PARP1 结合口袋，生成有稳定结合的类药候选分子。从布洛芬出发，Hyra 设计出一个得分 -10.60 的分子，超过了已上市 PARP 抑制剂 olaparib（奥拉帕利）的 -9.77，综合了对接打分和类药性。         还能玩出点花来          除了搞模型和搞科学，Hyra 在游戏、设计、内容创作等开放域也能玩。这类任务通常没有唯一正确答案，靠自对弈、自评估、用户反馈不断打磨策略和工件。         第一个是黑白棋（Othello）机器人。Hyra 通过自对弈不断改进。

r | 评估器搞双循环赛，新候选方案和 EB 里高分机器人对战，按 Elo 保留前 k 名，对手池越来越强。

s | 策略从 minimax 搜索进化成 AlphaZero 风格 PUCT 加 MCTS 的混合打法。最终机器人在 Botzone 平台 730 个参赛作品里排第三，对手大多是北大计算机系学生。         第二个是从单张 2D 参考图生成 3D 结构。VLM（视觉语言模型）当评委，按剪影、比例、结构完整性、材质、视觉相似度打分。Hyra 反复修改建模代码和渲染参数，多轮探索后产出的模型比 Claude Code 的 Goal 模式更接近参考图，也更符合人类审美偏好。         第三个是给一段旋律做多乐器编曲。内层循环用规则评估器检查和声、和弦进行、节奏密度、音区冲突等指标。外层循环根据用户反馈调整评估器，慢慢学到那些很难事先形式化的偏好。

t | 7 轮迭代下来，同一段旋律从保守的、像赞美诗一样的四声部编配，长成有减和弦、六和弦、灵活节奏和丰富配器的多乐器版本。

u |          反馈来自对手、视觉模型或真实用户时，Hyra 也能把模糊目标转成可迭代搜索的过程。评估标准跟不上的时候，求解器和评估器在双层循环里一起进化。         Hyra 团队自己也说，目前这些 demo 还只是初步成果。下一步要做的是定义更有价值、有持续改进空间的任务。

v | 除了公开榜单，腾讯的产品系统、真实 AI 研发流水线、科学和工业场景，都可以变成可执行、可验证、有清晰反馈的问题。这样能跑起来 scaffold–data–model 三者的循环进化。         更好的脚手架催生更强的模型，更强的模型反过来又把脚手架和发现推到新高度。未来几代 Hy 模型甚至一些腾讯产品，都会和 Hyra 一起协同进化。         参考资料：          https://hy.tencent.com/research/hyra。

Current article:http://www.shangfochengcongshuaizhuang.buzz/list_omno/6o7.ppt

Published on:06:07:41