Tencent hat Hyra vorgestellt, ein universelles autonomes Forschungssystem, das darauf entwickelt wurde, rechnergestützte Intelligenz in messbare Ergebnisse in anspruchsvollen Bereichen umzuwandeln. Die Plattform arbeitet auf Basis eines kontinuierlichen Feedback-Loops, in dem KI-Agenten Lösungen generieren, ausführen und iterativ verfeinern, indem sie auf gesammelte Erfahrung zurückgreifen – mit Anwendungsbereichen, die von KI-Forschung über wissenschaftliche Entdeckungen bis hin zur Erstellung kreativer Inhalte reichen. Hyra betritt ein Feld, in dem bereits mehrere Labore – darunter Sakana AI mit seinem AI Scientist und verschiedene akademische Gruppen – autonome Agenten erforscht haben, die Forschungsaufgaben mit minimaler menschlicher Aufsicht durchführen können. Tencent's Schwerpunkt auf einem zweischichtigen Evaluator-Evolutionsmechanismus sowie die Breite der demonstrierten Anwendungsbereiche heben das System jedoch in seinem Anspruch hervor.

Architektur und Kern-Design

Die Architektur von Hyra basiert auf einem leichtgewichtigen, asynchronen Harness, das so konzipiert ist, dass das Framework minimal bleibt, während den Agenten weitreichende Autonomie gewährt wird. Ein zentraler Context Agent verwaltet eine Experience Bank – ein Repository, das Ausführungsprotokolle, Feedback der Evaluatoren, Quellcode und Artefakte aus früheren Lösungsversuchen speichert. Dieser Agent synthetisiert „Inspirations" aus der Bank und leitet sie in eine Aufgabenwarteschlange weiter.

Mehrere Proposal Agents verarbeiten dann diese kontextbezogenen Eingaben, wobei jeder einen neuen Lösungsvorschlag mit einem standardisierten solve.sh-Einstiegspunkt generiert. Die Lösungen werden in isolierten Sandboxes ausgeführt, bewertet und die daraus resultierenden Artefakte werden zur späteren Verwendung in die Experience Bank zurückgespeichert. Semaphore steuern die Ressourcenverwaltung über Sandboxes, Modell-Inferenz und Aufgabenwarteschlange und ermöglichen so eine effiziente Skalierung der Ausgabequalität mit der verfügbaren Rechenleistung.

Für Aufgaben, denen vordefinierte Evaluatoren fehlen, setzt Hyra einen zweischichtigen Optimierungs-Loop ein. Ein innerer Zyklus verfeinert die Lösungen anhand des aktuellen Evaluators, während ein äußerer Zyklus den Evaluator selbst auf Basis gesammelter Erfahrung weiterentwickelt. Dieser zweischichtige Ansatz soll die Risiken des Reward-Hacking reduzieren – ein bekannter Fehlermodus beim bestärkenden Lernen, bei dem Agenten Schwachstellen der Evaluatoren ausnutzen, anstatt das zugrunde liegende Problem zu lösen – und Raum für substanziellen Fortschritt schaffen.

Introducing Hyra-1.0, the first version of Hunyuan Research Agent. Built to recursively improve solutions for performance-driven research and engineering tasks. Explore our demos in AI4AI, AI4Science, and AI4Fun: pic.twitter.com/DgKkba1EEY — Tencent Hy (@TencentHunyuan) July 21, 2026

Benchmark-Leistung

Tencent evaluierte Hyra anhand von drei Benchmarks aus Recursives automatisiertem KI-Forschungssystem: NanoChat Autoresearch, NanoGPT Speedrun und SOL-ExecBench, die Modelltraining, Trainingsbeschleunigung bzw. GPU-Kernel-Optimierung abdecken. NanoGPT, die Open-Source-Minimalimplementierung von GPT, die in der KI-Forschungsgemeinschaft weit verbreitet als Benchmark für Trainingsgeschwindigkeit eingesetzt wird, und NanoChat repräsentieren kompakte Aufgabenstellungen, bei denen iterative Optimierung messbare Verbesserungen liefern kann. Mit identischen Aufgabendefinitionen und Evaluierungsprotokollen übertraf Hyra-1.0 die von Recursive berichteten Ergebnisse in allen drei Aufgaben. Es reduzierte die Validierungs-Bits-pro-Byte (BPB) von NanoChat auf 0,9015, verkürzte die Time-to-Target-Loss von NanoGPT auf 76,4 Sekunden und erreichte einen mittleren Score von 0,771 bei SOL-ExecBench.

Tencent stellte fest, dass erweiterte Suchfähigkeiten auch Schwachstellen der Evaluatoren aufdeckten – wie etwa Lösungen, die bidirektionale Attention-Leakage oder leeres Kernel-Caching ausnutzten –, was die Bedeutung unterstrich, Evaluierungsmechanismen gleichzeitig mit der Lösungssuche weiterzuentwickeln.

Wissenschaftliche und kreative Errungenschaften

Über die KI-Infrastruktur hinaus demonstrierte Hyra Fähigkeiten in wissenschaftlichen und kreativen Bereichen:

• Mathematik: Das System erzielte neue Bestwerte bei 29 von 55 offenen mathematischen Problemen und entwarf einen 15-Parameter-Transformer für 10-stellige Addition, was die Parameterzahl im Vergleich zum bisherigen Rekord um 58,3 % reduzierte.
• Astronomie: Hyra entdeckte eine Rekursionsbeziehung zur Sonnenflecken-Vorhersage, die über nahezu ein Jahrhundert historischer Daten eine starke Out-of-Sample-Genauigkeit zeigte.
• Quantencomputing: Das System produzierte einen Qubit-Routing-Algorithmus, der die Effizienz auf IBM Q20 um 44,4 % gegenüber der etablierten SABRE-Methode verbesserte – einem weithin zitierten Routing-Algorithmus aus dem Jahr 2019, der als Standard-Baseline bei der Quantenschaltkreis-Kompilierung diente.
• Wirkstoffdesign: Hyra generierte einen PARP1-Inhibitor-Kandidaten, der das zugelassene Medikament Olaparib – von AstraZeneca und Merck als Lynparza vertrieben und zur Behandlung bestimmter Brust-, Eierstock- und Bauchspeicheldrüsenkrebserkrankungen eingesetzt – bei kombinierten Bindungs- und Drug-Likeness-Metriken übertraf. Tencent betonte, dass dieses Ergebnis aus einer frühen Simulation stammt und einer weiteren Validierung bedarf.
• Spiel-KI: Ein Othello-Bot erreichte den dritten Platz unter 730 Teilnehmern auf Botzone und entwickelte sich durch Self-Play von einer Minimax-Suche zu einem hybriden AlphaZero-Ansatz weiter – eine Methodik, die an die von DeepMinds AlphaZero Pionierarbeit geleisteten Self-Play-Verfahren erinnert.
• 3D-Modellierung: Das System generierte 3D-Modelle aus 2D-Referenzbildern, bewertet anhand von Vision-Language-Model-Rubriken.
• Musik: Multi-Instrument-Musikarrangements wurden über sieben Runden der Evaluator-Evolution basierend auf harmonischen, rhythmischen und ästhetischen Kriterien verfeinert.

Zukunftsausblick

Tencent beschrieb Hyra als Grundlage für einen umfassenderen evolutionären Loop, in dem verbesserte Scaffolds qualitativ hochwertigere Daten und Erfahrungen generieren, was zu stärkeren Modellen führt, die wiederum zukünftige Scaffolds verbessern. Das Unternehmen gab an, dass kommende Generationen seiner Hunyuan-Modellfamilie – Tencent's proprietäre große Sprach- und multimodale Modelle – gemeinsam mit dem Hyra-Framework weiterentwickelt werden, und lud Forscher zur Zusammenarbeit über ein offenes Formular für akademische Partnerschaften, Praktika und Feedback ein.