发生了什么
11 月 2 日，腾讯混元发布 AI 科研系统 Hyra 2.0。与 3 个月前发布的 Hyra 1.0 相比，方向从「给 AI 一道有明确评判标准的难题、让它循环尝试」转向「让通用智能体参与科学模型、研究工作流与软件工具的研发和升级」，官方把这套思路概括为从刷题解题走向造工具。
Hyra 1.0 当时的成果是：发布一周后，在开源模型 Hy3 驱动下解决了加法组合学中和集与差集最优指数的开放问题，此前悬置五十余年。
架构：三层分工 + 三套存储
- Overall 与人类研究者沟通，管理项目优先级、协调资源与关键决策；Mission 长期负责单一研究问题，决定研究路线、设计实验、组织 Worker 并对结论负责；Worker 可独立读代码、做实验、分析失败原因，也可以质疑 Mission。
- 任务进入持久化队列，调度按优先级、依赖关系与资源上限启动；等待训练结果或人工审批时，其他任务继续推进，智能体可自行设置下一次唤醒时间。
- 三套存储分离：项目状态（任务队列与 Research Board）、每个智能体的分层记忆、跨任务复用的共享知识库 Books。Books 中的记录分为观察、已验证、约定三级，影响团队行为的约定需人类确认。
- 涉及较大算力开销与共享知识同步的操作需人工审批；Worker 提交结论须附代码版本、实验结果、日志或原始轨迹，必要时另起 Review Worker 先接触原始证据做独立复核。
已经跑出来的四类成果
官方公布的产出集中在科学工具本身，而非单点题目答案。
- HyInv：196 万参数的图神经网络，预训练、微调、强化学习与推理优化全部由系统完成，用于蛋白质逆折叠设计；与制药行业常用的 ProteinMPNN 相比序列吻合度更好，生成速度快 57 倍。
- HyPLM-Flash：6.5 亿参数的蛋白质语言模型，累计使用 7260 亿训练 token，为 ESM-2 650M 的 0.73 倍；在 12 个对比模型中推理速度最快，35 个评测任务平均排名第 3。
- HyFF：原子级机器学习力场，提供 230 万至 12 亿参数五种规模，覆盖 83 种元素；已用于近 6 万原子的水通道蛋白膜体系 100 纳秒模拟，并在 4.6 万原子酶体系中观察到完整断键成键过程。
- HyProver 与 HyQEC：前者协同数学家核验并整理了圆周作用猜想与五维 Petty 等距点猜想的证明；后者构造并严格验证量子码 [488,123,22]，编码效率指标 kd²/n 达 122.0，在非 CSS 且校验权重不超过 8 的条件下比 qLDPC Challenge 原榜首提升约 48%，并把原榜首码的码距上界从 95 收紧至 86。
为什么值得关注
这条线索的价值不在榜单，而在研发组织方式。把「造工具」当作目标，意味着一次投入可以惠及所有调用该工具的下游任务；把研究拆成 Mission 与 Worker 并强制留证、独立复核，是当前少见的、针对长周期科研任务的工程化尝试。对企业的直接启示是：智能体项目的瓶颈往往不在模型能力，而在任务队列、记忆分层与证据链这三件事。
不确定之处
全部数据来自腾讯混元官方技术文章，HyInv、HyPLM-Flash、HyFF 的对比结果尚无第三方复现；「解决并获数学家核验」的表述未披露具体核验人与核验方式。成果按官方说明公开在 GitHub 仓库 Tencent-Hunyuan/hyra-results，供社区检验，但仓库内容完整度尚未核实。