回顾三个月前，腾讯混元推出了面向通用科研问题的极简 Agent 循环系统 Hyra1.0。在其开源模型 Hy3的驱动下，Hyra 曾成功解决了加法组合学中悬而未决五十多年的核心难题——和集与差集的最优指数，创造了国产开源模型首次全自动解决数学开放问题的历史记录。随后，国际 AI 巨头也纷纷在数学和理论计算机科学领域展开角逐。
既然“AI 刷题”的路径已经走通，自动化科研的下一步究竟该走向何方?怎样才能让 AI 更经济、更可持续地解决复杂的科学难题?面对这些行业思考，腾讯混元给出的答案是:工具升级。过去的 AI4Science 经历了从面向特定问题的 AlphaFold、AlphaEarth、AlphaGeometry，到由通用模型驱动 Agent 直接解决科学问题的范式演进;而如今发布的 Hyra2.0则希望再向前跨越一步，让通用 Agent 深度参与科学工具与模型的研发和升级，让一次研发的成果在后续研究中被反复使用，形成智能复利。
为升级工具而生的全新 Harness 架构
研发工具对底层的 Harness 提出了远高于单纯解题的要求。训练一个模型往往需要经历方案设计、代码实现、训练、评估和反复修改，整个周期长达数天甚至数周。为了让 Agent 适应真实的工业级研发环境，Hyra2.0接入了腾讯内部的实际研发流水线:在企业微信中与研究者对齐需求，在计算平台上提交和管理实验，在代码仓库里实现、验证改动，并妥善保存实验过程和产物。
在分工协作上，Hyra2.0采用了 Overall、Mission 和 Worker 三层创新架构:
Overall（总体协调）: 负责与人类研究者沟通，管理项目优先级，协调算力资源和关键决策。
Mission（任务长官）: 长期负责一个独立的研究问题，决定研究路线、设计实验、组织 Worker 并对最终结论负责。
Worker（执行工蜂）: 独立阅读代码、执行实验、分析失败原因并提出新想法。系统支持不同的 Worker 选用不同模型，提供多角度的分析与复核意见。
为了支撑长期、并行的复杂研究，系统引入了持久化队列和 Research Board（研究看板），并设计了独立的复核机制(Review Worker)来严控结论质量。同时，为了避免重复摸索，Hyra2.0将项目状态、Agent 工作记忆和可复用经验分开保存，并在共享知识库 Books 中沉淀下经过验证的有效方法，最终整理成可迁移的 skill，供后续任务反复调用和持续迭代。
覆盖七大前沿领域的初步成果与硬核突破
目前，Hyra2.0已经完成了大批前沿工具与模型的研发升级，相关成果已持续在开源社区公开。具体涵盖七大核心方向:
HyInv（蛋白质逆折叠）: 针对药物设计中的逆折叠难题，Hyra2.0从头训练了一个仅有196万参数的图神经网络 HyInv。它采用了“先起草、再改写”的两步采样方法，相比行业常用的 ProteinMPNN，生成的序列与目标结构吻合度更好，生成速度狂飙57倍。
HyPLM（蛋白质语言模型）: 从头训练的高效蛋白质语言模型 HyPLM-Flash 拥有6.5亿参数，累计使用7260亿训练 Token(仅为同类模型的五分之一到八分之一)，在同类对比中展现出最快的推理速度，在35个评测任务中平均排名第3。
HyFF（原子级基础模型）: 面向大规模分子模拟的原子级基础模型 HyFF 提供五种规模(230万到12亿参数)，支持83种元素。其实际模拟成功支撑了近6万原子水通道蛋白膜体系的100纳秒模拟，以及4.6万原子酶体系中完整断键、成键反应过程的追踪。
HyProver（数学证明工作流）: 一套面向纯数学证明的 Agent 工作流，在保持高 Token 效率的同时具备强探索能力。目前已协同数学家核验并整理好了丘成桐先生的圆周作用猜想与五维 Petty 等距点猜想的证明。
HyQEC（量子纠错系统）: 面向量子低密度奇偶校验码(qLDPC)的构造与验证系统。其设计的 Split Pauli-CPM 算法成功构造并严格验证了量子码 [488，123，22]，编码效率指标比原榜首提升约48%;在码距验证上，GPU 加速搜索吞吐量达到原 CPU 工具的8到55倍，并完成了排行榜187个条目中178个的精确码距认证。
灵巧手本体设计: 尝试将探索延伸至机器人本体结构。Agent 自主发现了一种五指绕掌心排列、长度渐变的“旋梯手”设计。在相同的策略微调预算下，其平均旋转速度达到3.277rad/s，比最优设计快28.6%，目标完成数提升21%。
香山处理器优化: 围绕开源 RISC-V 处理器“香山”开展性能调优与正确性验证。通过修复多项问题，使 SPEC CPU2006基准测试的每 GHz 得分提升5.79%（相当于官方2到3个月的迭代成果）;同时通过新设计的 fuzz 测试和形式化验证，找出了10个未公开的 Bug 及一个多核缓存一致性反例。
持续进化:让今天的研究成为明天的工具
目前，Hyra2.0也正在全面深入腾讯混元下一代 Hy 模型的预训练、后训练与推理优化中，通过缩短实验周期、自动化生成高质量训练数据来降低开销。
随着 Hyra2.0的正式发布，自动化科研正迎来深刻范式转变:AI 的贡献不再局限于解出某个具体答案，而是切实提高一类问题的研究能力。通过把单次尝试中的宝贵经验沉淀为可复用的工具、工作流与 Skill，让每一次研发的价值在反复使用中不断累积，最终通过“工具造得越好，造工具的系统就越强”的正向循环，持续加速拓展人类科学的边界。