Kurzantwort
Hyra steht für Hunyuan Research Agent. Das System schlägt Lösungen vor, führt sie in isolierten Sandboxes aus, bewertet die Ergebnisse und speichert Code, Logs, Artefakte und Evaluator-Feedback in einer Experience Bank. Mehrere Agenten suchen parallel; eine äußere Schleife kann auch den Evaluator verbessern.
Wichtige Punkte
Kernschleife: Lösung vorschlagen, in einer frischen Sandbox ausführen, bewerten und vollständig in die nächste Suche zurückführen.
Gemeinsames Gedächtnis: Die Experience Bank bewahrt Quellcode, Artefakte, Logs, Werte und Evaluator-Feedback auf.
Evaluator-Evolution: Hyra kann Lösung und Bewertungssystem gemeinsam verbessern, um blinde Flecken und Reward Hacking zu reduzieren.
Öffentliche Belege: Das offizielle Repository enthält unter Apache 2.0 Ergebnisartefakte und reproduzierbare Skripte aus AI4AI, AI4Science und AI4Fun.
Hyra-Forschungsschleife im Überblick
| Thema | Eingabe | Kernarbeit | Ausgabe |
|---|---|---|---|
| 01 · Kontext | Aufgabe und gesammelte Experience Bank. | Vielfältige Kontexte aus Code, Artefakten, Logs, Werten und Feedback zusammenstellen. | Eine Warteschlange unterschiedlicher Forschungsrichtungen. |
| 02 · Vorschlag | Ein Inspirationskontext aus der Warteschlange. | Frühere Versuche reflektieren und eine neue ausführbare solve.sh-Lösung schreiben. | Ein vollständiger Kandidat für die isolierte Ausführung. |
| 03 · Bewertung | Kandidat und aufgabenspezifischer Evaluator. | In neuer Sandbox ausführen, prüfen, messen und Logs sowie Artefakte erfassen. | Ein bewerteter Versuch für die Experience Bank. |
| 04 · Evolution | Stärkste Lösungen und Hinweise auf Evaluator-Schwächen. | Tempo, Granularität, Robustheit und Widerstand gegen Metrikmissbrauch erhöhen. | Eine stärkere Suchumgebung für den nächsten Zyklus. |
Was Hyra ist
Hyra-1.0 ist Tencents Hunyuan Research Agent für leistungsorientierte Forschungs- und Engineering-Aufgaben. Statt einmal zu antworten, schreibt, startet, misst, vergleicht und verbessert das System Lösungen fortlaufend.
Dasselbe Harness kann Modelltraining, Systemoptimierung, Mathematik, wissenschaftliche Datenanalyse, Moleküldesign, Spiele, Musik und prozedurale 3D-Erstellung bearbeiten.
Wie die Experience Bank rekursive Verbesserung antreibt
Ein Context Agent erzeugt aus früherem Code, Dateien, Logs, Artefakten, Ergebnissen und Feedback unterschiedliche Inspirationskontexte. So bleibt ausführbare Evidenz erhalten statt nur einer Textzusammenfassung.
Mehrere Proposal Agents verarbeiten diese Kontexte parallel und schreiben neue Lösungen mit solve.sh als Einstieg. Jeder Kandidat läuft in einer sauberen Sandbox, erhält eine Bewertung und fließt zurück in die Experience Bank.
Warum Hyra auch den Evaluator verbessert
Starke Suche findet schnell Lücken in Metriken. Im offiziellen Artikel leckte eine Lösung zukünftige Tokens, um den Loss künstlich zu senken; ein GPU-Kernel speicherte Ergebnisse während der Korrektheitsprüfung und tat beim Timing nichts.
Wenn die Bewertung schwach ist, optimiert eine innere Schleife Lösungen und eine äußere Schleife Geschwindigkeit, Präzision, Robustheit und Widerstand gegen Reward Hacking des Evaluators.
Ergebnisse in KI-Engineering und wissenschaftlicher Entdeckung
In den ersten Resultaten erreichte Hyra 0,9015 Validation BPB bei NanoChat, 3,28 Validation Loss in 76,4 Sekunden bei NanoGPT und 0,771 Mean SOL bei SOL-ExecBench.
Das Repository deckt außerdem mathematische Optimierung, Packing, Quantenrouting, symbolische Prognosen, Moleküldocking und kompakte Netze ab, darunter einen Transformer mit 15 Parametern für zehnstellige Addition.
Vier neue mathematische Fortschritte im August
Das Update vom 19. August erhöht die 3D-Blaschke–Lebesgue-Untergrenze von 0,380799w³ auf über 0,411040w³, senkt den Beurling–Ahlfors-Koeffizienten von 1,575 auf 1,523958, verschiebt den bekannten Exponenten für partielle Hadamard-Matrizen von 3 auf 2 und verbessert Kommutatoren von O(log⁴(1/ε)) auf O(log³(1/ε)).
Das Repository stellt Manuskripte und für drei neue Resultate Lean-4-Formalisierungen ihrer endlichen oder numerischen Kerne bereit.
Was Hyras 3D-Experimente zeigen
Hyra erhält eine einzelne 2D-Referenz, schreibt Blender-Python, rendert und bewertet Silhouette, Proportion, Struktur, Materialien und Ähnlichkeit mit einem rubric-basierten Vision-Language-Judge.
Die offenen Artefakte enthalten einen prozeduralen QQ-Pinguin und eine Hunyuan-Logo-Kugel. Das ist codegesteuerte Blender-Modellierung und zeigt, wie visuelles Feedback messbare 3D-Verbesserungen antreibt.
Häufige Fragen
Hyra steht für Hunyuan Research Agent. Hyra-1.0 ist Tencents autonomes Forschungsframework für leistungsorientierte Wissenschafts- und Engineering-Aufgaben.
Hyra ist ein Agenten-Framework. Es koordiniert Kontextauswahl, parallele Vorschläge, Sandboxes, Evaluatoren und die Experience Bank.
Jeder Lauf speist Code, Artefakte, Logs, Werte und Feedback in die Experience Bank zurück. Neue Agenten nutzen diese Historie; die äußere Schleife kann zusätzlich den Evaluator neu gestalten.
Hyra-results ist unter Apache 2.0 öffentlich und enthält Artefakte sowie reproduzierbare Skripte. Am 25. August 2026 ist es ein Ergebnis-Repository, keine vollständige Ein-Befehl-Version des Hyra-Harness.
Ja. Die Demos zeigen, wie Hyra Blender-Python aus einer 2D-Referenz schreibt und verbessert. Das ist Codegenerierung plus visuelle Bewertung, kein gewöhnliches Image-to-Mesh-Modell.
Die Artefakte umfassen Training, Geschwindigkeit, GPU-Kernels, Mathematik, Packing, kompakte Netze, Docking, Quantenrouting, Prognosen, Spiele, Musik und prozedurales 3D.
Aus einem Bild einen editierbaren 3D-Ausgangspunkt erstellen
Erzeugen Sie im Browser eine texturierte Figur, ein Requisit, Produkt oder Szenenelement.
Image to 3D testen