腾讯混元发布科学发现智能体 Hyra，能够递归自我改进

AI 总结
• 腾讯混元于 7 月 21 日发布 Hyra-1.0，这是一个能够递归自我改进、专为性能导向的研究与工程任务打造的智能体。
• Hyra 不仅限于公开基准测试，还能在真实 AI 研发流水线、自然科学研究及工业场景中持续学习进化。
• 其设计遵循 The Bitter Lesson 原则，框架轻量且动作空间广阔，

IT之家 7 月 21 日消息，腾讯混元今日推出 Hyra-1.0 ，这是 Hyra（Hunyuan Research Agent）的首个版本：一个能够递归自我改进、专为性能导向的研究与工程任务打造的智能体。

腾讯表示，除了公开基准，它还能在产品系统里，在真实的 AI 研发流水线上，在自然科学研究乃至工业场景里学习和进化。



过去一年，递归自我改进（RSI）与自动化研究成为 AI 领域最活跃的前沿问题之一。

Google DeepMind 的 AlphaEvolve 只用 48 次标量乘法就完成了 4×4 复数矩阵相乘。

Together AI 让一群智能体在开放环境中协作，把 11 维 kissing number 的已知下界从 593 推进到 604。

Andrej Karpathy 的 autoresearch 展示了一套精简的循环，让模型训练研究自主运转。

此后，一批进化型系统接连涌现：智能体正在跨越封闭的基准测试，在开放的科学发现中超越人类。

腾讯混元 Hyra 的 Harness 设计原则遵循 The Bitter Lesson：框架尽量轻量简单，智能体的动作空间尽量广阔。

给定任务描述，Hyra 持续运行一个循环：基于历史经验探索提出更好的 solution。

历史经验包含过去 solution 运行的日志、评估器反馈、solution 的源代码等。

循环直到 Agent 主动结束或预算耗尽，最终返回历史最优的方案。



比如，让 Hyra 仅根据一张 2D 参考图像设计物体的三维结构， 并生成可渲染的 3D 模型 ，使用基于 rubrics 的 VLM judge，从轮廓、比例、结构完整性、材质和视觉相似度等维度评价结果。

Hyra 在多轮探索中持续修改建模代码和渲染参数，相比使用 Claude Code goal 模式生成的模型，更接近参考图像，也更符合人类审美。





IT之家附 Hyra 研究博客如下：

https://hy.tencent.com/research/hyra

[来源链接] https://www.ithome.com/0/979/440.htm