Tencent Hunyuan hat Hyra 2.0 veröffentlicht, einen autonomen Forschungsagenten, der wissenschaftliche Modelle, Arbeitsabläufe und Software für weitere Projekte erstellt und verbessert. Anders als die Vorgängerversion kann er langfristige Aufgaben koordinieren und Ergebnisse für spätere Forschungsvorhaben speichern.
Drei Ebenen für die Forschungssteuerung
Hyra 2.0 verteilt die Arbeit auf drei Agentenebenen. Overall setzt Forschungsziele und verteilt Ressourcen, Mission-Agenten leiten einzelne Aufgaben und verfolgen deren Fortschritt. Worker-Agenten schreiben Code, führen Experimente durch und bewerten Vorschläge in parallelen, isolierten Umgebungen.
Die Worker-Agenten können verschiedene Ansätze gleichzeitig erproben, während die Mission-Agenten den Zustand zwischen Experimenten speichern. Laut Tencent unterstützt diese Struktur unabhängige Überprüfungen und mehrtägige Forschungsprogramme.
Experimente bauen auf gespeicherten Ergebnissen auf
Tencent beschreibt die Arbeit des Agenten als wiederholten Forschungszyklus. Zunächst ordnet ein Context Agent bisherige Ergebnisse und Unterlagen; Proposal Agents erstellen aus einer gemeinsamen Warteschlange Lösungsvorschläge. Nach Experimenten in isolierten Umgebungen liefern Bewertungsmechanismen Feedback für die nächste Iteration.
Die Experience Bank speichert Code, Protokolle, Ergebnisse und Feedback für spätere Durchläufe. Durch die asynchrone Arbeitsweise lässt sich die Warteschlange fortlaufend füllen, während mehrere Agenten Experimente durchführen.
Der Vorgänger Hyra 1.0 nutzte eine innere Schleife zur Optimierung von Lösungen und eine äußere zur Anpassung der Bewertungsmechanismen. Tencent setzte diesen Ansatz in mehr als zehn Szenarien ein, darunter KI-Forschung, wissenschaftliche Entdeckungen und Spieldesign.
Ergebnisse zu Proteinen, Quantencodes und Mathematik
Laut Tencent trainierte Hyra 2.0 das Modell HyInv für die inverse Proteinfaltung. Es hat 1,96 Millionen Parameter und generiert nach Angaben des Unternehmens 57-mal schneller als ProteinMPNN. Der Agent habe außerdem eigenständig das Protein-Sprachmodell HyPLM-Flash trainiert.
Im Bereich der Quantenfehlerkorrektur hat HyQEC laut Tencent den Quantencode [488,123,22] erstellt. Die Zahlen stehen für die Blocklänge, die Zahl der logischen Qubits und die Code-Distanz. Der Effizienzscore des Codes übertraf nach Angaben des Unternehmens das bisher beste Ergebnis der qLDPC Challenge um ungefähr 48 Prozent.
HyProver erstellte nach Angaben von Tencent mathematische Beweise, darunter einen für die Kreisaktionsvermutung von Shing-Tung Yau. Das Unternehmen erklärt, Mathematiker hätten die Arbeit überprüft. HyInv, HyQEC und HyProver sind für den wiederholten Einsatz mit neuen Eingaben konzipiert.
Ein weiteres Ergebnis betrifft die Optimierung des Prozessors XiangShan RISC-V: Laut Tencent erhöhte Hyra 2.0 dessen Leistungswert pro Gigahertz um 5,79 Prozent. Der Agent trägt dem Unternehmen zufolge auch zur Entwicklung der nächsten Generation des Modells Hy bei.
Welche Ergebnisse veröffentlicht werden
Die Ergebnisse von Hyra 2.0 sollen auf GitHub veröffentlicht werden; ein Termin steht noch nicht fest. Das öffentliche Repository von Hyra 1.0 enthält bereits Ergebnisse und Skripte zu deren Reproduktion unter der Lizenz Apache 2.0.
Der Quellcode des Agenten, die Modellgewichte und die vollständige Methodik sind nicht verfügbar. Auch die vollständigen Prompts, die Abläufe zur Steuerung der Agenten und Aufzeichnungen über menschliche Eingriffe wurden nicht veröffentlicht.
