Hyra 2.0 的六张工单：AI 造出来的工具，凭什么让人相信

2026 年 11 月 2 日傍晚，腾讯混元发布 Hyra 2.0。

官方定位一句话说清了：把自动化科研的重点，从"直接解题"转向"由 agent 研发和升级科学模型、工作流与软件工具"。

主流的解读都停在"从刷题到造工具"这层范式转变上。这层没错，但它是宣言，不是工程。真正值得看的是两件事：它交出了什么，以及它凭什么让人相信自己交出的东西是对的。

三个月前的 Hyra 1.0 是一套"极简的 agent 循环"——给一道有明确评判标准的难题，让它反复尝试。这条路线已经验证过：Hyra 1.0 发布一周后，在开源模型 Hy3 驱动下解决了加法组合学中悬置五十多年的问题（和集与差集的最优指数），官方称这是国产开源模型首次全自动解决数学开放问题。

但"解出一道题"和"造出一件工具"是两种活。解题有标准答案，对错由判分器说；造工具没有标准答案，质量由使用者说。前者可以靠循环试错收敛，后者必须先把"什么叫做好了"定义清楚。

本文按六张交付工单逐项验收，再看它用来支撑这些交付的记账系统。六项成果里，有三项的验证强度明显高于其余，也有一项官方自己标了"未真机验证"。

一、六张工单先摊开

**【官方】**以下六项均由 Hyra 2.0 完成，成果公开在 github.com/Tencent-Hunyuan/hyra-results。

这张表最容易误读的一列是"关键指标"。七个数据里，只有一个是同类可比的速度倍数（57 倍），其余各自在不同维度上：0.73 倍是训练成本更低，不是效果更好；+48% 是编码效率；+28.6% 是仿真里的旋转速度；+5.79% 是处理器每 GHz 得分。把它们排成一列说"全面提升"，是把七把不同的尺子当成了一把。

下面逐张拆。

二、工单 1｜HyInv：57 倍的来历

HyInv 做的是蛋白质逆折叠——给定一个目标骨架，反推能折叠成这个结构的氨基酸序列。这是药物设计、酶工程、文库构建的基础操作。

**【官方】**参数规模 196 万，图神经网络。预训练、监督微调、强化学习、推理优化四步全部由 Hyra 2.0 完成。Hyra 2.0 还为它设计了"先起草、再改写"的两步采样方法。

对照组是 ProteinMPNN，制药行业常用的逆折叠工具。结论：HyInv 生成的序列与目标结构的吻合度更好，生成速度快 57 倍。

这里要拆两层。

第一层，57 倍是什么的速度。是生成速度，即每秒能产出多少条序列。官方标题写的是"50 毫秒设计 128 条蛋白质序列"，128 ÷ 0.05 = 2560 条/秒。这个数字的背后是 196 万参数的极小模型——比主流逆折叠模型小一到两个数量级。模型小，推理自然快，这部分不是算法突破，是规模选择。

真正值得问的是：196 万参数为什么还能保证质量？

**第二层，质量只说了"更好"，没给数字。官方给出的质量指标是 scTM（结构相似度），但正文只说"吻合程度更好"，没有给出 HyInv 与 ProteinMPNN 的具体 scTM 数值。【未披露】**这是本文最想补的一个空缺：57 倍的速度提升是明确的，但质量提升的幅度是模糊的。速度与质量在逆折叠任务上通常是此消彼长的，如果质量只是从 0.85 提到 0.86，那 57 倍的商业价值和从 0.70 提到 0.85 完全不同。

"先起草、再改写"这个两步采样是质量侧的补救手段。逻辑跟扩散模型的去噪类似：先快速产出一个粗糙解，再局部修正。这种设计通常能同时拿到速度和质量的改善，代价是采样步数的调参空间变大。

**【推断】**196 万参数 + 两步采样的组合，指向的定位不是"取代 ProteinMPNN"，而是"在筛选场景里做高通量的初筛"。文库构建这类任务需要的是先铺量、再精选，对单条序列的精度要求不高，对产出速率要求极高。如果是这个场景，57 倍就是决定性的。

三、工单 2｜HyPLM：0.73 倍 token 干出什么

HyPLM-Flash 是蛋白质语言模型，6.5 亿参数，累计训练 7260 亿 token。

**先看那个 0.73 倍。**官方对比口径是：7260 亿 token 是 ESM-2 650M 的 0.73 倍，是 E1-600M 和 ESM C 600M 的五分之一到八分之一。

这个数字的方向要看清——它不是"用了更多 token 效果更好"，而是"用了更少 token 达到可比效果"。反推一下：

7260 亿 ÷ 0.73 ≈ 9945 亿  → ESM-2 650M 的估算训练量
7260 亿 × 5 ≈ 36300 亿     → E1-600M / ESM C 600M 的下限估算

**【推算】**按官方给的比例，ESM-2 650M 的训练量约 1 万亿 token 量级，E1-600M 与 ESM C 600M 在 3.6 万亿到 5.8 万亿 token 之间。这个量级与公开文献的印象一致——同参数量下，后训练的两个模型用了明显更多的数据。

**再看效果。**官方给了两个数字：在比较的 12 个蛋白质语言模型中推理速度最快；在 35 个评测任务中平均排名第 3。

注意这两个数字的组合方式：速度第 1，效果第 3。这是一个明确承认自己不是最强的表述——如果 35 个任务平均也排第 1，官方一定会写成"双料第一"。写成"速度最快、平均第 3"，说明上游还有两个效果更好的模型，HyPLM-Flash 的定位是效率优先。

这个取舍在蛋白质语言模型场景里是合理的。这类模型被反复调用——判断突变影响、注释功能、辅助设计——单次调用成本乘以调用次数，效率的价值会被放大。官方自己也是这么解释的：“这类模型会被反复调用，训练和推理效率的改进，也就能惠及许多下游任务。”

**【推算】**如果 12 个模型里速度排第 1、35 个任务平均排第 3，而训练 token 只有同类顶尖模型的 1/5 到 1/8，那么"每单位效果所花的训练算力"这个指标上，HyPLM-Flash 大概率是第一。这是官方没算但可以算的一个数。

四、工单 3｜HyFF：帕累托前沿说的是什么

HyFF 是原子级基础模型，输入原子种类和坐标，输出体系能量与每个原子的受力，用作机器学习力场驱动分子动力学模拟。

**【官方】**五个规模，230 万到 12 亿参数，在大规模量子化学数据上训练，覆盖 83 种元素，支持带电和开壳层体系。架构上的关键是"每个原子只调用与自身元素对应的子网络"——用元素特化代替全共享，容量和开销分开控制。

对照结果：与 16 个公开模型比较，五个 HyFF 全部位于精度-速度帕累托前沿。

“帕累托前沿"这个词经常被误用成"全面最好”，实际含义要弱一档：**在被测的这些模型里，不存在另一个模型在精度和速度两项上都不比它差、且至少一项更好。**翻译成采购语言就是——想要更准，只能牺牲速度；想要更快，只能牺牲精度。它守住了这条边界，但没有说自己在边界上的哪个点最优。

这个结论的强度取决于两件事：16 个公开模型是谁，评测用什么数据。官方未列出全部对照模型名单，也未说明评测集。【未披露】

真正有说服力的是两条实际模拟记录：

第二个更值钱。断键成键是化学反应的本质，能在一个 4.6 万原子的真实酶体系里从头观察到一次完整反应，说明力场在"键的生成与断裂"这类强非平衡过程上没有崩。这类过程的精度要求远高于常规构象采样——大多数机器学习力场在键断裂区域会失效，因为训练数据里反应路径样本极少。

【推断】如果这个观察可复现，HyFF 的价值不在"比 16 个模型更准"，而在"能撑住反应过程的长时模拟"。这是一个质变而非量变的指标。但官方没给这次模拟的误差评估，也没说是否与实验数据对过。【未披露】

五、工单 4｜HyProver：六项里唯一有人类专家背书的

HyProver 是一套面向纯数学证明的 agent 工作流。机制是：研究 agent 提中间猜想，证明 Worker 尝试构造证明，再由独立 LLM 在新上下文中复核；待解猜想与通过复核的引理存在共享研究笔记里，后者可作为后续探索的前提。

**【官方】**已完整解决多个开放数学问题，其中两个经数学家核验并整理：

• 丘成桐的圆周作用猜想
• 五维 Petty 等距点猜想

**这是六项里唯一一项有外部人类专家背书的成果。**其余五项的评价主体都是自动指标或官方自评，只有这一项由领域内的数学家核验过。从可信度排序看，它应该排第一。

但它也是六项里量化程度最低的一项：解决了"多个"开放问题（几个？），核验的是"两个"，难度分布如何、证明长度多少、token 消耗多少，全部未披露。

**【未披露】**具体数量、证明的机器可检验性（是否转成 Lean/Coq 形式化）、与人类数学家工作的分工比例。

第三点最关键。如果证明的核心思路来自 agent、数学家只做审阅，那这是 AI 的成果；如果数学家给了关键提示、agent 负责补全细节，那性质接近"AI 辅助证明"。官方表述是"我们协同数学家已核验并整理好了……的证明"——"协同"和"核验"两个词同时出现，分工边界是模糊的。

官方强调了 token efficiency，说系统"并非盲目摊大饼"，而是通过转化问题联系不同数学分支、自主提出中间猜想。这与 Hyra 1.0 的"极简循环"形成对照：1.0 是广撒网，2.0 是有组织地收敛。这个改进如果成立，意义在于把搜索成本从指数压到可控——而搜索成本正是"AI 做数学"最主要的瓶颈。

六、工单 5｜HyQEC：48% 和 8–55 倍是两个性质的数

量子纠错要用多个物理量子比特保护一个逻辑量子比特，如何压低这笔开销是量子码研究的核心问题。HyQEC 做三件事：构造新码、搜索码距、精确证明码距。

**【官方】**三个结果：

这张表里有两件事值得单独说。

**第一，48% 是可比的。**qLDPC Challenge 是公开排行榜，有明确的评分规则和提交记录。官方限定的条件是"非 CSS、校验权重不超过 8"，在这个子集里比原榜首高约 48%。有排行榜做分母，这个数字的硬度高于本文其余五项。

第二，把别人的码距上界从 95 收紧到 86 更有意思。这说明什么？说明原榜首码此前公示的 95 只是一个上界，真实码距可能更小；HyQEC 用两套独立的精确证明工具，把这个上界压到了 86。码距越小，纠错能力越弱——所以这个动作实际是下调了已有最好成绩的实际水平。

这一步的性质跟"刷新纪录"相反，属于"修正测量"。在科研里这类工作的价值经常被低估，但它恰恰是"AI 做科研"最该被信任的部分：它没有去刷一个更高的分，而是去查了一个已有的分是否真实。

8 倍到 55 倍这个区间跨度也值得注意。区间宽说明加速比高度依赖具体搜索条件——码的参数、搜索空间大小、GPU 利用率。**【未披露】**官方未给出区间的分布，也没说中位数。做工程评估时，按 8 倍算更稳妥。

七、工单 6a｜旋梯手：唯一明确标了"未真机验证"的

灵巧手的传统做法是先定机械结构，再训练控制策略。Hyra 2.0 把探索延伸到了本体设计——让 agent 自己找更好的手指布局。

结果是一个反直觉的结构：五根手指绕着掌心排列，长度从短到长依次递增，像一段旋转楼梯，官方叫「旋梯手」。

它的表现轨迹很值得看：

从慢 11% 到快 28.6%，中间只做了一件事：给两者相同的策略微调预算。

这条数据的信息量超过本文其余所有"提升 X%"的表述。它说明：**初始表现最好的结构，不一定拥有最好的训练后性能。**结构设计和控制策略是耦合的，用"零样本性能"筛选结构，会系统性错过那些"需要好策略才能发挥"的设计。

这也解释了为什么这项工作很难由人类完成——人类工程师设计结构时，很难在脑内跑完"这个结构配一个充分训练的策略会怎样"。要么先做出来再训，要么放弃。让 agent 在仿真里做这个搜索，成本才降得下来。

但官方明确划了边界：结果局限于仿真环境，尚未经真机验证。

这条边界必须保留在正文里。仿真到真机的差距在灵巧手领域是出了名的大——摩擦模型、执行器延迟、传感器噪声、线缆干涉，每一样都会吃掉仿真里 20% 以上的优势。28.6% 这个数字，在没有真机数据之前，只能算"仿真里值得做一次真机"的入场券。

**【未披露】**仿真平台、DR5 的具体定义、微调的预算量、真机验证计划。

八、工单 6b｜香山：10 个官方 issue 列表里没有的 bug

香山是开源 RISC-V 处理器项目。Hyra 2.0 围绕它做了两件事：性能优化、正确性验证。

性能侧：修复了 SPEC CPU2006 暴露的多项问题，结合其他调优，每 GHz 得分的几何平均值提升 5.79%，单核频率不变，面积增加 0.3%。按香山官方性能看板记录的历史迭代速度估算，这一提升大致相当于官方团队 2–3 个月的迭代成果。

验证侧：新设计的 fuzz 测试发现 7 个 bug，加上另外 3 个独立发现，共 10 个，均未出现在官方 issue 列表中；另用 TLA+ 做形式化验证，找到一个多核缓存一致性的反例，相关修复已贡献给开源末级缓存 OpenLLC。

这里有一个换算关系值得写出来：**+5.79% 的得分 ≈ 2–3 个月的人力迭代。这是六项成果里唯一一个把"agent 产出"直接折算成"人类工时"的表述，而且折算基准是公开的性能看板——可查、可复算。【交叉】**折算方法由官方给出，第三方未复核。

10 个 bug 这个数字也值得单独看。开源处理器项目的 issue 列表是公开的，所以"未出现在官方 issue 列表"是一个可验证的强表述——去翻一遍 GitHub issue 就能确认。这是六项成果里验证成本最低的一项：不需要复现实验、不需要第三方机构，打开仓库数一下就行。

**【未披露】**这 10 个 bug 的严重等级分布（是否有功能性错误，还是只有性能或边界条件问题）、fuzz 测试的覆盖率、TLA+ 反例的具体场景。

严重等级很关键。如果 10 个里 8 个是边界条件的断言失败，价值有限；如果有 1 个是功能性错误，那就是这次交付里最重的一项成果。官方没有区分。

九、六张工单的验证强度对比

把七项交付按四个维度打分：有没有量化指标、有没有独立对照基线、有没有第三方或外部可检验的背书、有没有跨过仿真/理论进入实物。

结论很清楚：**外部可检验的三项（量子码、香山、数学证明）恰好也是各自领域内最难作假的。**量子码有公开排行榜，处理器 bug 有公开 issue 列表，数学证明有领域专家核验——这三条路都要求结果能被别人独立重算。

反过来，三项生物类成果（HyInv、HyPLM、HyFF）的对照基线都在官方自己手里——对照模型选哪些、评测集用什么、指标怎么算，都由发布方定义。这不等于数据有问题，但读者要清楚：这三项的可信度来自"官方自评 + 开源仓库"，不来自"外部复现"。

旋梯手是唯一明确标注"未验证"的一项。把这条边界写进正文，本身就是一种可信度的表现——比把仿真结果说成"超越人类最优设计"要诚实得多。

十、真正的创新不在"造工具"，在记账

前面九节讲的都是成果。但这项工作中最值得其他团队抄的，不是任何一项成果，是它为了让这些成果可信而搭的那套东西。

逻辑起点很朴素：训练一个模型要经历方案设计、代码实现、训练、评估、反复修改，周期可能持续数天到数周；几个项目并行时还要处理实验等待、资源分配、方向调整。这些工作没法靠一个不断延长的 agent session 管住。

Hyra 2.0 的解法是三层分工 + 三套存储。

三层分工（【官方】）：

Worker 能质疑 Mission 这一条值得单独拎出来。多数多 agent 系统的层级是单向的——上层派活，下层执行。允许逆向质疑，意味着系统设计者预期"上层判断可能错"，需要一个机制让错误被顶回去。

三套分离存储（【官方】）：

分开存的意义在于：项目状态会随项目结束而失效，agent 记忆随会话过期而失效，只有 Books 是跨项目沉淀的。三者混在一起，经验就会被项目细节淹没。

Books 的三级分类是这套记账系统里最精细的设计：

这三级的划分回答了"AI 生成的知识怎么防止自我污染"这个问题。观察可以随便写，因为它是低权重的；已验证必须经过独立复现，因为要当依据用；约定必须人类签字，因为它会改变整个团队的行为。新证据出现后，已有记录还要跟着修正。

证据链的要求同样是硬约束：Worker 报告完成，必须附代码版本、实验结果、日志或原始运行轨迹；Mission 可以查实际操作记录，核对实验是否支持报告里的结论；需要独立验证时启动新的 Review Worker，让它先接触原始问题和证据，减少执行者结论的先入影响。

最后这条"先接触原始问题和证据"的设计，是标准的盲审思路。让复核者先看结论再看证据，复核就会变成找理由支持结论；先看证据再看结论，才有可能发现结论站不住。官方还补了一句很关键的话：复核可能发现"现有证据只支持一个范围更窄的结论"，这些都要如实保留。

人工审批的边界也划得有针对性：涉及较大算力开销和共享知识同步的操作需要人工审批，已获准的工作由系统继续推进。不是全部都要批（那样就退化成人工工作流），也不是全部放行（算力会失控），而是卡在"花钱"和"改共享知识"这两个点。

把这一整套看下来，Hyra 2.0 的真实贡献可以这么描述：

它不是让 AI 更会做题，而是给 AI 的科研活动装了一套会计系统——每一笔结论都要有凭证，凭证要能追溯，追溯结果要能被推翻。

"造工具"是目标，这套记账系统才是让目标不跑偏的手段。因为工具的可复用性依赖质量，而质量只有被验证过才算数。

十一、这套模式能复制到哪些场景

从 Hyra 2.0 的做法反推，这套模式有明确的适用边界。

能复制的三个前提：

不能复制的地方：

第四条是这套系统自己承认的边界。它把"影响团队行为的约定"划给人类签字，等于承认：AI 可以产生知识，但不能产生制度。

十二、官方没说的部分

倒数第二条值得多看一眼。“造工具"的核心卖点是经济性——官方原话是"研发工具本身可能昂贵，但这笔投入可以由后续的许多任务共同分摊”。这是一个成本论证，但整篇文章没有任何一处给出成本数字：没有 token 总量，没有 GPU 小时，没有单个成果的研发开销。

**【推算】**如果按 HyPLM 训练 7260 亿 token 估算，仅这一项的训练成本就在数十万到百万美元量级（取决于卡型与利用率）。六项成果加起来，加上探索期的失败尝试，总投入不难上到千万美元级。这个摊销能不能成立，取决于这些工具被复用的次数——而复用次数目前还没有数据。

这是"造工具"这个叙事最大的未验证点：收益侧的复利是预期，成本侧的投入是既成事实。