Tencent a dévoilé Hyra, un système de recherche autonome polyvalent conçu pour traduire l'intelligence computationnelle en résultats mesurables dans des domaines exigeants. La plateforme fonctionne sur une boucle de rétroaction continue dans laquelle les agents IA génèrent, exécutent et affinent itérativement des solutions en s'appuyant sur l'expérience accumulée, avec des applications couvrant la recherche en intelligence artificielle, la découverte scientifique et la génération de contenu créatif. Hyra entre dans un domaine où plusieurs laboratoires — notamment Sakana AI avec son AI Scientist et divers groupes académiques — explorent des agents autonomes capables d'effectuer des tâches de recherche avec une supervision humaine minimale, mais l'accent mis par Tencent sur un mécanisme d'évolution évaluative à deux niveaux et l'étendue de ses domaines démontrés distinguent la portée du système.

Architecture et Conception de Base

L'architecture de Hyra est construite autour d'un harnais léger et asynchrone conçu pour garder le framework minimal tout en accordant aux agents une autonomie substantielle. Un Context Agent central gère une Experience Bank — un référentiel stockant les journaux d'exécution, les retours de l'évaluateur, le code source et les artefacts des tentatives de solution précédentes. Cet agent synthétise des « inspirations » à partir de la banque et les achemine dans une file d'attente de tâches.

Plusieurs Proposal Agents consomment ensuite ces entrées contextuelles, chacun générant une nouvelle solution équipée d'un point d'entrée standardisé solve.sh. Les solutions sont exécutées dans des bacs à sable isolés, notées, et leurs artefacts résultants sont renvoyés à l'Experience Bank pour une référence future. Les sémaphores régissent l'allocation des ressources entre les bacs à sable, l'inférence de modèle et la file d'attente des tâches, permettant à la qualité des résultats de s'adapter efficacement à la puissance de calcul disponible.

Pour les tâches dépourvues d'évaluateurs prédéfinis, Hyra utilise une boucle d'optimisation à deux niveaux. Un cycle interne affine les solutions par rapport à l'évaluateur actuel, tandis qu'un cycle externe fait évoluer l'évaluateur lui-même en fonction de l'expérience accumulée. Cette approche à double couche est conçue pour réduire les risques de piratage de récompense (reward-hacking) — un mode d'échec connu dans l'apprentissage par renforcement où les agents exploitent les failles de l'évaluateur plutôt que de résoudre le problème sous-jacent — et créer des marges de manœuvre pour des progrès substantiels.

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

Performances de Référence

Tencent a évalué Hyra par rapport à trois benchmarks du système de recherche IA automatisé de Recursive : NanoChat Autoresearch, NanoGPT Speedrun et SOL-ExecBench, qui couvrent respectivement l'entraînement de modèles, l'accélération de l'entraînement et l'optimisation des noyaux GPU. NanoGPT, l'implémentation GPT minimale open-source largement utilisée dans la communauté de recherche en IA comme référence de vitesse d'entraînement, et NanoChat représentent des tâches à petite échelle où l'optimisation itérative peut générer des gains mesurables. En utilisant des définitions de tâches et des protocoles d'évaluation identiques, Hyra-1.0 a surpassé les résultats rapportés par Recursive sur les trois tâches. Il a réduit les bits-par-octet (BPB) de validation de NanoChat à 0.9015, a réduit le temps pour atteindre la perte cible (time-to-target-loss) de NanoGPT à 76,4 secondes, et a atteint un score moyen de 0.771 sur SOL-ExecBench.

Tencent a observé que les capacités de recherche améliorées ont également révélé des vulnérabilités de l'évaluateur — comme des solutions exploitant la fuite d'attention bidirectionnelle ou la mise en cache vide du noyau — soulignant l'importance de faire évoluer les mécanismes d'évaluation en tandem avec la recherche de solutions.

Réalisations Scientifiques et Créatives

Au-delà de l'infrastructure IA, Hyra a démontré des capacités dans les domaines scientifiques et créatifs :

• Mathématiques : Le système a établi de nouveaux résultats connus sur 29 des 55 problèmes mathématiques ouverts et a conçu un Transformer à 15 paramètres pour l'addition à 10 chiffres, réduisant le nombre de paramètres de 58,3 % par rapport au record précédent.
• Astronomie : Hyra a découvert une relation de récurrence pour la prédiction des taches solaires qui a montré une forte précision hors échantillon sur près d'un siècle de données historiques.
• Informatique quantique : Le système a produit un algorithme de routage de qubits qui a amélioré l'efficacité sur IBM Q20 de 44,4 % par rapport à la méthode SABRE établie, un algorithme de routage largement cité introduit en 2019 qui a servi de référence standard dans la compilation de circuits quantiques.
• Conception de médicaments : Hyra a généré un candidat inhibiteur de PARP1 qui a surpassé le médicament approuvé olaparib — commercialisé par AstraZeneca et Merck sous le nom de Lynparza, utilisé pour traiter certains cancers du sein, des ovaires et du pancréas — sur les métriques combinées de liaison et de drug-likeness (similitude avec un médicament). Tencent a souligné que ce résultat provient d'une simulation à un stade précoce et nécessite une validation supplémentaire.
• IA de jeu : Un bot Othello a atteint la troisième place parmi 730 participants sur Botzone, évoluant par le self-play, passant de la recherche minimax à une approche de style AlphaZero hybride, rappelant les méthodologies de self-play pionnières de l'AlphaZero de DeepMind.
• Modélisation 3D : Le système a généré des modèles 3D à partir d'images de référence 2D, évaluées à l'aide de grilles d'évaluation de modèles vision-langage.
• Musique : Les arrangements musicaux multi-instruments ont été affinés à travers sept cycles d'évolution de l'évaluateur basés sur des critères harmoniques, rythmiques et esthétiques.

Perspectives Futures

Tencent a décrit Hyra comme la fondation d'une boucle évolutive plus large dans laquelle des échafaudages (scaffolds) améliorés produisent des données et une expérience de meilleure qualité, conduisant à des modèles plus performants qui améliorent à leur tour les futurs échafaudages. L'entreprise a indiqué que les futures générations de sa famille de modèles Hunyuan — les grands modèles de langage et multimodaux propriétaires de Tencent — co-évolueront avec le framework Hyra, et elle a invité les chercheurs à collaborer via un formulaire ouvert pour des partenariats académiques, des stages et des retours.