Tencent heeft Hyra onthuld, een algemeen inzetbaar autonoom onderzoekssysteem dat is ontwikkeld om computationele intelligentie om te zetten in meetbare resultaten binnen veeleisende domeinen. Het platform werkt via een continue feedbackloop waarin AI-agents oplossingen genereren, uitvoeren en iteratief verfijnen op basis van opgebouwde ervaring, met toepassingen in kunstmatige-intelligentieonderzoek, wetenschappelijke ontdekking en het genereren van creatieve content. Hyra betreedt een terrein waarop meerdere laboratoria — waaronder Sakana AI met zijn AI Scientist en diverse academische groepen — autonome agents onderzoeken die onderzoekstaken met minimale menselijke supervisie kunnen uitvoeren, maar Tencents nadruk op een bilevel-mechanisme voor evaluator-evolutie en de breedte van de gedemonstreerde domeinen onderscheiden de reikwijdte van het systeem.

Architectuur en kernontwerp

De architectuur van Hyra is opgebouwd rond een lichtgewicht, asynchrone harness die is ontworpen om het framework minimaal te houden en agents tegelijk aanzienlijke autonomie te geven. Een centrale Context Agent beheert een Experience Bank — een opslagplaats voor uitvoeringslogs, feedback van evaluatoren, broncode en artefacten van eerdere oplossingspogingen. Deze agent destilleert "inspiraties" uit de bank en stuurt die door naar een taakwachtrij.

Vervolgens verwerken meerdere Proposal Agents deze contextuele input, waarbij elk een nieuwe oplossing genereert met een gestandaardiseerd solve.sh-startpunt. Oplossingen worden uitgevoerd in geïsoleerde sandboxes, krijgen een score en de resulterende artefacten worden teruggestuurd naar de Experience Bank voor toekomstig gebruik. Semaforen regelen de toewijzing van middelen over sandboxes, modelinferentie en de taakwachtrij, waardoor de uitvoerkwaliteit efficiënt kan opschalen met de beschikbare rekencapaciteit.

Voor taken zonder vooraf gedefinieerde evaluatoren gebruikt Hyra een bilevel-optimalisatieloop. Een binnenste cyclus verfijnt oplossingen ten opzichte van de huidige evaluator, terwijl een buitenste cyclus de evaluator zelf laat evolueren op basis van opgebouwde ervaring. Deze tweelaagse aanpak is bedoeld om risico’s op reward hacking te verminderen — een bekende foutmodus in reinforcement learning waarbij agents tekortkomingen in de evaluator uitbuiten in plaats van het onderliggende probleem op te lossen — en ruimte te creëren voor inhoudelijke vooruitgang.

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

Benchmarkprestaties

Tencent evalueerde Hyra aan de hand van drie benchmarks uit Recursive’s geautomatiseerde AI-onderzoekssysteem: NanoChat Autoresearch, NanoGPT Speedrun en SOL-ExecBench, die respectievelijk modeltraining, trainingsversnelling en optimalisatie van GPU-kernels bestrijken. NanoGPT, de open-source minimale GPT-implementatie die in de AI-onderzoeksgemeenschap veel wordt gebruikt als benchmark voor trainingssnelheid, en NanoChat vertegenwoordigen taken op compacte schaal waarbij iteratieve optimalisatie meetbare verbeteringen kan opleveren. Met identieke taakdefinities en evaluatieprotocollen overtrof Hyra-1.0 de door Recursive gerapporteerde resultaten op alle drie de taken. Het verlaagde NanoChat’s validatie-bits-per-byte (BPB) naar 0.9015, bracht NanoGPT’s time-to-target-loss terug naar 76.4 seconden en behaalde een gemiddelde score van 0.771 op SOL-ExecBench.

Tencent merkte op dat verbeterde zoekcapaciteiten ook kwetsbaarheden in evaluatoren aan het licht brachten — zoals oplossingen die bidirectionele attention leakage of empty kernel caching uitbuitten — wat het belang onderstreept van het gelijktijdig laten evolueren van evaluatiemechanismen en het zoeken naar oplossingen.

Wetenschappelijke en creatieve prestaties

Naast AI-infrastructuur demonstreerde Hyra capaciteiten in wetenschappelijke en creatieve domeinen:

• Wiskunde: Het systeem behaalde nieuwe best bekende resultaten op 29 van 55 open wiskundige problemen en ontwierp een Transformer met 15 parameters voor optelling met 10 cijfers, waarmee het aantal parameters met 58.3% werd verminderd ten opzichte van het vorige record.
• Astronomie: Hyra ontdekte een recurrentierelatie voor de voorspelling van zonnevlekken die sterke out-of-sample-nauwkeurigheid liet zien over bijna een eeuw aan historische gegevens.
• Quantumcomputing: Het systeem produceerde een algoritme voor qubit-routing dat de efficiëntie op IBM Q20 met 44.4% verbeterde ten opzichte van de gevestigde SABRE-methode, een veel geciteerd routingalgoritme dat in 2019 werd geïntroduceerd en als standaardbaseline heeft gediend bij de compilatie van quantumcircuits.
• Medicijnontwerp: Hyra genereerde een kandidaat-PARP1-remmer die beter presteerde dan het goedgekeurde geneesmiddel olaparib — door AstraZeneca en Merck op de markt gebracht als Lynparza en gebruikt voor de behandeling van bepaalde borst-, eierstok- en alvleesklierkankers — op gecombineerde maatstaven voor binding en drug-likeness. Tencent benadrukte dat dit resultaat voortkomt uit een vroege simulatie en verdere validatie vereist.
• Game-AI: Een Othello-bot behaalde de derde plaats onder 730 inzendingen op Botzone en evolueerde via self-play van minimax search naar een hybride AlphaZero-achtige aanpak, in lijn met de self-play-methodologieën die door DeepMind’s AlphaZero zijn gepionierd.
• 3D-modellering: Het systeem genereerde 3D-modellen op basis van 2D-referentiebeelden, geëvalueerd met rubrics van vision-language models.
• Muziek: Muzikale arrangementen voor meerdere instrumenten werden verfijnd via zeven rondes van evaluator-evolutie op basis van harmonische, ritmische en esthetische criteria.

Vooruitblik

Tencent beschreef Hyra als de basis voor een bredere evolutionaire loop waarin verbeterde scaffolds data en ervaring van hogere kwaliteit produceren, wat leidt tot sterkere modellen die op hun beurt toekomstige scaffolds verbeteren. Het bedrijf gaf aan dat komende generaties van zijn Hunyuan-modelfamilie — Tencents eigen grote taal- en multimodale modellen — samen met het Hyra-framework zullen co-evolueren, en nodigde onderzoekers uit om samen te werken via een open formulier voor academische partnerschappen, stages en feedback.