Hyra 2.0: el siguiente paso de la investigación científica automatizada

Hace tres meses lanzamos Hyra 1.0[^ref1]: un bucle de agent minimalista orientado a problemas científicos generales. Una semana después del lanzamiento, impulsado por el modelo de código abierto Hy3, Hyra resolvió un problema de la combinatoria aditiva abierto durante más de cincuenta años: los exponentes óptimos de conjuntos suma y conjuntos diferencia[^ref2]. Este fue!!#0080e6 el primer problema abierto de matemáticas resuelto de forma totalmente automática por un modelo de código abierto nacional!!.

11 días después del lanzamiento de Hyra 1.0, OpenAI anunció nuevos resultados de una versión interna de su modelo de próxima generación Astra en 10 problemas abiertos de larga data[^ref3]. En los más de dos meses siguientes, OpenAI también anunció haber proporcionado una solución al problema milenario de Navier–Stokes[^ref4], y publicó 722 manuscritos matemáticos producidos por sus modelos internos^ref5. La investigación científica automatizada con IA avanza a toda velocidad.

Hyra 1.0 demostró que: si se le da a la IA un problema difícil con criterios de evaluación claros y se le permite intentarlo en bucle, existe la posibilidad de superar el mejor resultado existente. En los últimos tres meses, la comunidad continuó explorando por esta vía, invirtiendo una gran cantidad de tokens y logrando nuevos avances en más problemas difíciles.

Ahora que el camino está trazado, queremos mirar hacia adelante: ¿cuál es el siguiente paso de la investigación científica automatizada?

• Cuando la IA ya puede resolver muchos problemas no resueltos por los humanos, ¿hacia dónde se dirigirá el paradigma de la investigación?
• ¿Cómo hacer que la IA resuelva problemas científicos de manera más económica y sostenible?
• Todavía hay muchos problemas difíciles que la IA no puede resolver; ¿dónde está el cuello de botella?

Las tres preguntas parecen apuntar a cosas distintas, pero nuestra respuesta es la misma:!!#0080e6 mejorar las herramientas!!。

En los últimos años, AI4Science ha pasado por varias revoluciones de paradigma: modelos o sistemas orientados a problemas específicos representados por AlphaFold[^ref6], AlphaEarth[^ref7] y AlphaGeometry[^ref8]; hasta el paradigma de agents impulsados por modelos generales que resuelven directamente problemas científicos, representado por AlphaEvolve[^ref9], Hyra1.0[^ref1], entre otros. Hyra2.0 aspira a dar un paso más: !!#0080e6 que el agent general participe en la investigación, desarrollo y mejora de herramientas y modelos científicos!!, de modo que los resultados de un desarrollo puedan reutilizarse repetidamente en investigaciones posteriores.

!12 Figura 1: De resolver problemas a crear herramientas. La parte superior muestra dos maneras: investigadores que desarrollan modelos científicos especializados y agents generales que resuelven directamente problemas científicos; la parte inferior muestra el objetivo de Hyra 2.0: que los agents desarrollen y mejoren modelos científicos, flujos de trabajo de investigación y herramientas de software, para que los resultados sean reutilizados por investigaciones posteriores.!

De las respuestas a las herramientas

Los avances de la moda comunitaria de!!#0080e6 hacer ejercicios y tirar cartas!! sin duda son valiosos, pero sus resultados no mejoran automáticamente la capacidad para la siguiente investigación ni generan un interés compuesto de inteligencia.

Con las herramientas es distinto. !!#0080e6 Al mejorar una herramienta, todas las tareas aguas abajo que la utilizan se benefician!!.

Xunzi dijo: «El caballero no es distinto por nacimiento; sabe valerse de las cosas».

Aquí, «las cosas» se refiere a las herramientas: métodos y sistemas que pueden ser utilizados repetidamente por humanos o agents para ayudar a completar un tipo de tareas. Según el soporte de sus capacidades, las herramientas se dividen aproximadamente en dos tipos:

• Las!!#0080e6 herramientas simbólicas!! expresan los métodos explícitamente como código, reglas o procesos, como algoritmos de búsqueda, programas de verificación, canalizaciones de procesamiento de datos y flujos de trabajo de investigación. Escriben «cómo completar la tarea» como operaciones ejecutables o pasos a seguir; al mejorar estos métodos, se puede cambiar la capacidad y la eficiencia de la herramienta;
• Las!!#0080e6 herramientas parametrizadas!! guardan, mediante entrenamiento, las regularidades aprendidas de los datos y la retroalimentación en los parámetros del modelo, como los modelos de lenguaje generales para comprensión, generación y razonamiento, así como los modelos científicos para diseño de proteínas.

El mayor valor de las herramientas radica en su!!#0080e6 reutilización!!: cuando las herramientas que invoca el agent mejoran, el espacio de acciones y la eficiencia también mejoran, y el rendimiento y la eficiencia en diversos benchmarks también aumentan (por ejemplo, resolver una tarea de Terminal Bench[^ref10] con mejores herramientas).

Las herramientas también se dividen en órdenes superiores e inferiores. Tomemos las matemáticas como ejemplo: resolver un problema arroja una respuesta; crear un flujo de trabajo adecuado para resolver ese tipo de problemas, o entrenar un modelo con mayor capacidad de razonamiento matemático, puede beneficiar la resolución de innumerables problemas; un nivel más arriba está un sistema capaz de entrenar automáticamente ese tipo de modelos; y en la cima, un sistema capaz de realizar automáticamente cualquier tarea (AGI).

Cuanto más arriba, más general es la herramienta, más tareas beneficia, pero el ciclo de desarrollo es más largo, el entorno de desarrollo más complejo y la dificultad mayor.

La mejora de herramientas ya está ocurriendo gradualmente. A finales del mes 8, al lanzarse Hunyuan Hy4 preview, mostramos en nuestro blog[^ref11] a Hyra acelerando junto con él un modelo de campo de fuerzas de dinámica molecular; tres semanas después, Anthropic reveló que Claude aceleró más de 30 modelos biomoleculares de código abierto en menos de cuatro semanas[^ref12]. Sin embargo, gracias a la rapidez de la retroalimentación, acelerar un modelo ya existente es relativamente fácil. Lo más difícil es!!#0080e6 crear de extremo a extremo un modelo nuevo!!, desde el diseño, la implementación hasta el despliegue. Lo que Hyra 2.0 quiere escalar es precisamente este peldaño más difícil: !!#0080e6 Ser el sistema que mejor crea herramientas!!。

En el contexto de la!!#0080e6 mejora recursiva de sí mismo (RSI)!!, el desarrollo de grandes modelos requiere en sí mismo muchas herramientas: infraestructura de entrenamiento, canalizaciones de síntesis de datos, sistemas de inferencia. Esperamos que Hyra 2.0 participe en la mejora de estas herramientas, ayudando a entrenar mejores modelos Hy de próxima generación; y los modelos Hy de próxima generación, a su vez, pueden convertirse en herramientas en manos de Hyra 2.0. De ser así, !!#0080e6 cuanto mejores sean las herramientas creadas, más fuerte será el sistema que las crea!!; cuanto más fuerte sea el sistema, mejores podrá crear la siguiente herramienta.

Un Harness diseñado para mejorar herramientas

El desarrollo de herramientas plantea al Harness requisitos distintos a los de resolver problemas. Entrenar un modelo implica diseño de la solución, implementación de código, entrenamiento, evaluación y repetidas modificaciones; todo el proceso puede durar días o incluso semanas. Cuando varios proyectos avanzan simultáneamente, hay que gestionar también las esperas de experimentos, la asignación de recursos y los ajustes en la dirección de investigación. Este tipo de trabajo es difícil de gestionar con una sola sesión de agent que se prolonga indefinidamente.

Primero conectamos Hyra 2.0 al!!#0080e6 entorno real de desarrollo!! del equipo: alinear requisitos con los investigadores en WeChat Enterprise, enviar y gestionar experimentos en la plataforma de cómputo, implementar y verificar cambios en el repositorio de código, y guardar los procesos y productos de los experimentos. Las operaciones que implican grandes costos de cómputo o sincronización de conocimiento compartido requieren la correspondiente aprobación humana; el trabajo ya aprobado continúa siendo impulsado por el sistema.

El trabajo de investigación lo lleva a cabo !!#0080e6 Overall!!、!!#0080e6 Mission!! y !!#0080e6 Worker!! una división en tres niveles. Overall se comunica con los investigadores humanos, gestiona las prioridades del proyecto y coordina recursos y decisiones clave. Cada Mission se encarga a largo plazo de una pregunta de investigación: decide la línea de investigación, diseña experimentos, organiza a los Worker y responde por las conclusiones. Qué hipótesis merecen seguir recibiendo inversión, qué resultados deben verificarse de nuevo y cuándo conviene cambiar de rumbo son juicios que corresponden al Mission. Los Worker pueden de forma independiente leer código, realizar experimentos, analizar las causas de los fallos y proponer nuevas ideas, y también pueden cuestionar al Mission. Distintos Worker pueden usar distintos modelos, aportando análisis y opiniones de verificación diferentes.

Un Mission puede organizar al mismo tiempo la exploración de direcciones, la ejecución de experimentos y la verificación independiente. Cuando una tarea entra en la !!#0080e6 cola persistente!!, el sistema de planificación pone en marcha a los Worker según la prioridad, las dependencias y los límites de recursos. Mientras una tarea espera resultados de entrenamiento o aprobación humana, otras tareas pueden seguir avanzando. El agent también puede fijar la hora de su próximo despertar y continuar trabajando cuando el experimento termine o al llegar a un punto de control.

El progreso de la investigación en paralelo se registra en el !!#0080e6 Research Board!!, que incluye ideas, hallazgos experimentales, evidencias y decisiones clave. Los avances ordinarios los leen de forma asíncrona otros agents; los asuntos que deben atenderse se notifican por mensaje y el destinatario debe responder de manera explícita. Así, los Worker pueden trabajar de forma continua durante periodos más largos, y el Mission puede consultar el progreso de cada línea de investigación sin tener que interrumpir con frecuencia el trabajo en curso.

!12 Figura 2: El Harness de Hyra 2.0. Overall coordina objetivos y recursos, Mission se encarga de las líneas de investigación y Worker realizan la exploración y los experimentos; la cola persistente, los registros de colaboración y la verificación independiente sostienen la investigación a largo plazo. En la parte inferior se guardan respectivamente el estado del proyecto, la memoria de los agents y el conocimiento compartido, y los métodos reutilizables se organizan como skill para su uso en tareas posteriores.!

Cuando un Worker reporta que ha completado su tarea, debe adjuntar evidencias como la versión del código, resultados experimentales, registros o trayectorias de ejecución crudas. El Mission puede consultar los registros de las operaciones reales y verificar si los experimentos respaldan las conclusiones del reporte. Cuando se requiere verificación independiente, el sistema lanza un nuevo !!#0080e6 Review Worker!! que primero toma contacto con el problema original y las evidencias, reduciendo la influencia de las conclusiones del ejecutor. La revisión puede descubrir errores, o puede descubrir que las evidencias existentes solo respaldan una conclusión de alcance más limitado; todo esto debe conservarse fielmente.

Aunque el ciclo de desarrollo de herramientas es largo, hay muchas lecciones reutilizables. Un método de diagnóstico que funcionó en un entrenamiento fallido puede aplicarse a entrenamientos posteriores; el flujo de validación establecido durante la alineación numérica puede reutilizarse en otros modelos; los defectos detectados en la revisión pueden convertirse en verificaciones automatizadas de la cadena de herramientas. Cuanto más costoso es cada intento, más necesario es dejar constancia de estas lecciones para evitar que proyectos posteriores tengan que explorar a ciegas de nuevo.

Para ello, Hyra 2.0 guarda por separado el estado del proyecto, la memoria de trabajo de los agents y las lecciones reutilizables. La cola de tareas y el Research Board registran el estado colaborativo del proyecto; cada agent mantiene su propia memoria jerárquica, que conserva el conocimiento actual, las hipótesis clave, las rutas descartadas y el plan siguiente; las lecciones reutilizables entre tareas pasan a la !!#0080e6 base de conocimiento compartida Books!!.

Los registros en Books deben explicar el método, la razón y las condiciones de aplicación, con las evidencias originales adjuntas. Estas lecciones se dividen en !!#0080e6 «observación», «verificada» y «convención»!!: los fenómenos descubiertos en un solo experimento pueden considerarse observaciones de referencia para investigaciones posteriores; solo los hallazgos reproducidos de forma independiente pueden convertirse en fundamentos fiables; las convenciones que afectan el comportamiento del equipo requieren confirmación humana. Cuando aparecen nuevas evidencias, los registros existentes se corrigen en consecuencia.

En la retrospectiva de los proyectos, los métodos transferibles también se organizan en skills. Por ejemplo, la experiencia acumulada al entrenar modelos ya ha conformado un conjunto de skills para tareas posteriores. Estos skills son a su vez herramientas creadas por Hyra 2.0, y seguirán modificándose y perfeccionándose con el uso. Lo que llamamos !!#0080e6 aprendizaje continuo!! incluye precisamente guardar los métodos eficaces hallados en la investigación, de modo que los proyectos posteriores puedan usarlos directamente y seguir mejorándolos.

Resultados preliminares

Hyra 2.0 ya ha completado el desarrollo y la actualización de un conjunto de herramientas. Publicaremos progresivamente los resultados correspondientes en un repositorio de GitHub, para que la comunidad pueda examinarlos y reutilizarlos.

HyInv: diseño de 128 secuencias de proteínas en 50 milisegundos

HyInv y HyPLM, que se presentan a continuación, fueron entrenados desde cero por Hyra 2.0. Corresponden al escalón mencionado anteriormente: !!#0080e6 pasar de acelerar modelos existentes a un desarrollo completo de nuevos modelos!!.

HyInv aborda el problema de plegado inverso en el diseño de proteínas: dado un esqueleto objetivo, encontrar una secuencia de proteína capaz de plegarse en esa estructura. Es una herramienta fundamental en el diseño de fármacos, la ingeniería de enzimas y la construcción de bibliotecas.

HyInv es una red neuronal de grafos con solo !!#0080e6 196 万 de parámetros!!. Su preentrenamiento, su ajuste fino supervisado, su aprendizaje por refuerzo y su optimización de inferencia fueron realizados por Hyra 2.0. Hyra 2.0 también diseñó para él un método de muestreo en dos pasos: «primero un borrador, luego una reescritura».

En comparación con ProteinMPNN[^ref13], de uso común en la industria farmacéutica, las secuencias generadas por HyInv se ajustan mejor a la estructura objetivo, y !!#0080e6 su velocidad de generación es 57 veces mayor!!。

!12 Figura 3: comparación de rendimiento y velocidad entre HyInv y HyPLM-Flash. Izquierda: el eje horizontal es el número de secuencias generadas por segundo y el eje vertical la calidad de diseño (scTM); derecha: el eje horizontal es el rendimiento de inferencia (miles de residuos/segundo) y el eje vertical la puntuación media normalizada de evaluación. En ambas figuras, más arriba y a la derecha es mejor; el tamaño de los puntos representa el número de parámetros, dibujado en escala logarítmica (izquierda) y lineal (derecha).!

HyPLM: entrenamiento desde cero de un modelo de lenguaje de proteínas eficiente

Los modelos de lenguaje de proteínas aprenden patrones a partir de las secuencias y son herramientas habituales para predecir el efecto de mutaciones, anotar funciones de proteínas y asistir el diseño de proteínas. Como estos modelos se invocan repetidamente, las mejoras en la eficiencia de entrenamiento e inferencia benefician a muchas tareas posteriores.

HyPLM-Flash, entrenado por Hyra 2.0, tiene 650 millones de parámetros y ha consumido en total 726.000 millones de tokens de entrenamiento. Este consumo es 0,73 veces el de ESM-2 650M[^ref14], y entre un quinto y un octavo del de E1-600M[^ref15] y ESM C 600M[^ref16]. De los 12 modelos de lenguaje de proteínas comparados, !!#0080e6 HyPLM-Flash es el más rápido en inferencia!!, !!#0080e6 con el puesto promedio 3 entre 35 tareas de evaluación!!。

Los detalles de desarrollo de HyInv y HyPLM se publicarán en un informe técnico, para referencia y reutilización por la comunidad. Ambos modelos también pueden ser invocados por agents para participar en tareas como el diseño de fármacos. Seguiremos desarrollando modelos científicos de este tipo, actualizando de forma integral las herramientas existentes de la farmacéutica industrial.

HyFF: modelo fundacional a nivel atómico para simulaciones moleculares a gran escala

HyFF es un modelo fundacional a nivel atómico orientado a simulaciones moleculares: recibe como entrada los tipos y coordenadas de los átomos y predice la energía del sistema y las fuerzas sobre cada átomo, pudiendo servir como campo de fuerza de aprendizaje automático para impulsar simulaciones de dinámica molecular. Esto permite a los investigadores seguir el movimiento y las reacciones de las moléculas a escala atómica, proporcionando una herramienta básica para el diseño de fármacos, la ingeniería de enzimas y el desarrollo de materiales.

HyFF ofrece cinco tamaños, con parámetros desde 2,3 millones hasta 1.200 millones, todos entrenados con datos de cálculos de química cuántica a gran escala, cubriendo 83 elementos y admitiendo sistemas con carga y de capa abierta. Cada átomo solo invoca la subred correspondiente a su propio elemento, controlando el costo computacional a la vez que se amplía la capacidad del modelo. Comparamos HyFF con 16 modelos públicos. !!#0080e6 Los cinco modelos HyFF se sitúan todos en la frontera de Pareto precisión–velocidad de la evaluación!!. HyFF ya se ha usado en simulaciones reales: un sistema de membrana con proteínas acuaporinas de casi 60.000 átomos se simuló durante 100 nanosegundos, observándose cómo las moléculas de agua se alinean en una sola fila y atraviesan el canal una a una; en un sistema enzimático de 46.000 átomos, partiendo de un punto de inicio seleccionado, se observó !!#0080e6 un proceso completo de reacción de ruptura y formación de enlaces!!.

!12 Figura 4: comparación de precisión–velocidad entre HyFF y modelos públicos. Izquierda: error de predicción de energía; derecha: error de predicción de fuerzas; el eje horizontal es el tiempo de un paso de simulación de dinámica molecular y el eje vertical el error absoluto medio (MAE); más abajo y a la izquierda es mejor. Los puntos verdes corresponden a los cinco tamaños de HyFF; los demás marcadores son los modelos públicos de comparación.!

HyProver: organizar la exploración matemática en flujos de trabajo reutilizables

HyProver es un conjunto de !!#0080e6 flujos de trabajo de agents orientados a demostraciones de matemática pura!! que mantienen una alta token efficiency y una fuerte capacidad de exploración. Durante la ejecución, el sistema busca continuamente material, encuentra pistas, transforma problemas, plantea conjeturas y produce hechos, intentando resolver problemas difíciles de manera organizada, como lo haría un matemático humano real. Al explorar rutas potenciales, el sistema no «se dispersa» a ciegas, sino que utiliza los tokens de manera eficiente, transformando problemas para conectar distintas ramas de la matemática o planteando por sí mismo conjeturas intermedias, avanzando en direcciones prometedoras.

HyProver ya ha resuelto por completo numerosos problemas matemáticos abiertos. Entre ellos, en colaboración con matemáticos ya hemos verificado y organizado !!#0080e6 la conjetura de las acciones circulares del Sr. Yau!! y !!#0080e6 La conjetura de puntos equidistantes de Petty de cinco dimensionesLa prueba de !![^ref17].

!12 Figura 5: Flujo de trabajo de investigación matemática de HyProver. El agente de investigación propone conjeturas intermedias, el Worker de demostración intenta construir pruebas, y un LLM independiente las revisa en un nuevo contexto. Las conjeturas pendientes y los lemas aprobados en la revisión se guardan en cuadernos de investigación compartidos, y estos últimos pueden servir como premisas para exploraciones posteriores.!

HyQEC: construir nuevos códigos cuánticos y verificar rigurosamente la distancia del código

La corrección de errores cuánticos requiere usar múltiples cúbits físicos para proteger cúbits lógicos. Cómo reducir este sobrecosto es una de las cuestiones centrales de la investigación en códigos cuánticos. Para ello, Hyra 2.0 desarrolló HyQEC: un !!#0080e6 sistema de construcción y verificación!! orientado a códigos cuánticos de paridad de baja densidad (qLDPC), que admite la construcción de nuevos códigos, la búsqueda de distancias de código y pruebas exactas de distancia de código.

En la construcción de nuevos códigos, Hyra 2.0 diseñó el algoritmo Split Pauli-CPM, con el que construyó y verificó rigurosamente el código cuántico $[488,123,22]$. Su métrica de eficiencia de codificación $kd^2/n$ alcanza 122.0 y, bajo las condiciones de no ser CSS y de peso de chequeo no superior a 8, supera al líder original del qLDPC Challenge[^ref18] en un !!#0080e6 aproximadamente 48%!!. El sistema también construyó diversos códigos cuánticos de bajo sobrecosto, estableciendo nuevos récords de sobrecosto de codificación conocidos bajo las correspondientes condiciones de parámetros.

En la verificación de la distancia de código, HyQEC está equipado con un algoritmo de búsqueda acelerado por GPU y dos conjuntos independientes de herramientas de demostración exacta. El rendimiento de búsqueda alcanza !!#0080e6 veces el de la herramienta original de CPU con 8 hilos 8–55 veces!! el de la herramienta original de CPU de 8 hilos. Al revisar resultados existentes, ajustó el límite superior de la distancia del código del líder original de 95 a 86, y !!#0080e6 completó la certificación exacta de la distancia de código para 178 de los 187 elementos de la tabla de clasificación!!.

Este conjunto de herramientas puede ayudar tanto a los investigadores a buscar nuevos códigos como a proporcionar una base confiable para comparar y seleccionar códigos cuánticos. Publicaremos HyQEC en el futuro para que la comunidad pueda utilizarlo.

Manos diestras: diseño autónomo de estructuras robóticas más eficientes

Las manos diestras son herramientas importantes para que los robots manipulen objetos. Los métodos tradicionales suelen determinar primero la estructura mecánica y luego entrenar las políticas de control; pero las diferentes disposiciones y longitudes de los dedos también afectan la capacidad de manipulación del robot. Hyra 2.0 intenta extender la exploración al diseño del propio cuerpo del robot, buscando de manera autónoma mejores estructuras mecánicas.

En una tarea de rotación de objetos en la mano, Hyra 2.0 descubrió de forma autónoma un diseño particular de cinco dedos: los cinco dedos se disponen alrededor de la palma con longitudes crecientes de corta a larga, como una escalera de caracol. Lo llamamos!!#0080e6 «mano escalera de caracol»!!. Lo interesante es que esta mano no destacó en las pruebas iniciales: su velocidad de rotación fue aproximadamente un 11 % más lenta que el diseño óptimo del artículo[^ref19]. Pero tras una microajuste de la política con el mismo presupuesto, logró superarlo.

En la evaluación más estricta de simulación DR5, la mano escalera de caracol alcanzó una velocidad de rotación de 3.277 rad/s, un!!#0080e6 28.6 % más rápido!! que el diseño óptimo del artículo también microajustado, con un 21 % más de objetivos completados y una menor tasa de inestabilidad.

Este resultado nos sugiere que!!#0080e6 la estructura mecánica con mejor rendimiento inicial no es necesariamente la que tiene el mejor rendimiento tras el entrenamiento!!. Aunque los resultados actuales aún se limitan al entorno de simulación y no han sido validados en hardware real, demuestran el potencial de dejar que la IA explore de forma autónoma las estructuras robóticas y las estrategias de control. Esperamos extender la capacidad de desarrollo de herramientas de Hyra 2.0 desde el software y los modelos hasta el mundo físico.

!12 Figura 6: comparación de la estructura y el rendimiento en simulación de la «mano escalera de caracol» diseñada de forma autónoma por Hyra 2.0 con la de Dextra. Izquierda: comparación estructural con el diseño óptimo de cinco dedos de House of Dextra[^ref19]; derecha: comparación de rotación de objetos con Dextra Baseline. En la evaluación de simulación DR5, tras el microajuste de la política con el mismo presupuesto, la velocidad media de rotación de Hyra Hand aumentó un 28.6 % (3.28 frente a 2.55 rad/s).!

Xiangshan: mejorar el rendimiento del procesador y reforzar la verificación de corrección

Xiangshan[^ref20] es un proyecto de procesador RISC-V de código abierto de flujo completo. Hyra 2.0 llevó a cabo dos trabajos en torno a él:!!#0080e6 optimización de rendimiento y verificación de corrección!!, actualizando así las herramientas de diseño de este chip.

Hyra 2.0 corrigió múltiples problemas detectados en las pruebas de referencia SPEC CPU2006[^ref21]. Combinado con otros ajustes, la media geométrica de la puntuación de Xiangshan por GHz mejoró en un !!#0080e6 5.79%!!, manteniendo sin cambios la frecuencia de un solo núcleo y con un aumento de área del 0.3 %. Según la velocidad histórica de iteraciones registrada en el panel oficial de rendimiento[^ref22], esta mejora equivale aproximadamente al resultado de 2–3 meses de iteración del equipo oficial.

Las nuevas pruebas fuzz diseñadas por Hyra 2.0 descubrieron 7 bugs, que sumados a otros 3 descubiertos de forma independiente hacen!!#0080e6 un total de 10!!, ninguno de los cuales aparecía en la lista oficial de issues. También utilizó TLA+[^ref23] para la verificación formal y encontró un!!#0080e6 contraejemplo de coherencia de caché multinúcleo!!, cuya corrección correspondiente ya ha sido contribuida a la caché de último nivel de código abierto OpenLLC^ref24。

!12 Figura 7: mejora de herramientas por parte de Hyra 2.0 en corrección de errores cuántica e investigación de procesadores. Izquierda: HyQEC construye códigos LDPC cuánticos y certifica la distancia exacta del código mediante la coincidencia de cotas superior e inferior; derecha: optimización de rendimiento y verificación de corrección en torno al procesador Xiangshan, usando los problemas descubiertos para mejorar el diseño.!

El próximo modelo Hy: entrar en el terreno del desarrollo de grandes modelos

Dentro de Hunyuan, Hyra 2.0 también está participando en la actualización de la próxima generación de modelos Hy, por ejemplo:

• !!#0080e6 Preentrenamiento!!: optimizar la infraestructura de entrenamiento, participar en la validación experimental de nuevas técnicas de entrenamiento y acortar el tiempo entre la propuesta de un plan y la obtención de resultados experimentales.
• !!#0080e6 Postentrenamiento!!: construir un pipeline automatizado de síntesis de datos, permitiendo que Hyra participe en la generación y el procesamiento de datos de entrenamiento de alta calidad;
• !!#0080e6 Inferencia!!: optimizar las imágenes y sistemas de inferencia realmente utilizados para reducir los costes de despliegue, así como los gastos en entrenamiento, evaluación y experimentos a gran escala.

Esperamos que Hyra, mediante la mejora de las herramientas de investigación y desarrollo, ayude a entrenar mejores modelos Hy, y que con modelos más potentes y mejores herramientas se complete la siguiente ronda de desarrollo de herramientas e iteración de modelos.

Volviendo a las tres preguntas del inicio

¿Cómo cambiará la investigación científica? Creemos que la contribución de la IA pasará de resolver problemas concretos a!!#0080e6 mejorar la capacidad de investigación de una clase de problemas!!. Para medir el resultado de una investigación, además de ver qué respuestas obtuvo, hay que ver qué dejó para las investigaciones posteriores: un flujo de trabajo de demostración, un modelo científico o un método de verificación fiable. Cuanto más generales sean las herramientas, más investigación podrán respaldar.

¿Cómo hacer que la IA haga ciencia de forma más económica y sostenible? Desarrollar herramientas puede ser costoso en sí mismo, pero esa inversión puede repartirse entre muchas tareas posteriores. Modelos más rápidos reducen el coste de cada llamada, mejores flujos de trabajo reducen la exploración repetida, y la experiencia acumulada como skills permite que las tareas posteriores eviten los desvíos ya recorrídos. !!#0080e6 El valor de una mejora puede acumularse continuamente a través del uso repetido!!.

¿Qué hacer con los problemas que de momento no se pueden resolver? Primero hay que identificar de dónde proviene la limitación: ¿falta de capacidad del modelo, eficiencia de búsqueda insuficiente, o una verificación y retroalimentación experimental demasiado lentas? Estas limitaciones concretas pueden convertirse en los objetivos de la siguiente ronda de desarrollo de herramientas. Es posible que el problema original no tenga solución de inmediato, pero esta exploración debería, en la medida de lo posible, !!#0080e6 dejar métodos y herramientas reutilizables !!, para que el próximo intento tenga un mejor punto de partida.

Esperamos que !!#0080e6 los resultados de investigación de hoy puedan convertirse en las herramientas de investigación del mañana!!, acelerando la expansión de las fronteras de la ciencia.

[^ref1]: Tencent Hunyuan,Hyra 1.0, introducción al marco de investigación automatizada para problemas científicos generales: https://hy.tencent.com/research/hyra

[^ref2]: Haowei Lin y Shanda Li,"Settling the Optimal Exponent Relating Sumsets and Difference Sets", artículo sobre el exponente óptimo que relaciona conjuntos suma y conjuntos diferencia: https://arxiv.org/abs/2607.27199

[^ref3]: OpenAI,"Ten advances in mathematics and theoretical computer science", presentación de los avances de la investigación del modelo en problemas abiertos de matemáticas y ciencias de la computación teóricas: https://openai.com/index/ten-advances-in-mathematics/

[^ref4]: OpenAI,"On the Navier–Stokes Millennium Prize Problem", artículo de investigación sobre el problema milenario de Navier–Stokes: https://openai.com/index/navier-stokes-solution/

[^ref6]: John Jumper et al.,"Highly accurate protein structure prediction with AlphaFold", artículo de AlphaFold publicado en Nature (2021): https://www.nature.com/articles/s41586-021-03819-2

[^ref7]: Google DeepMind,"AlphaEarth Foundations helps map our planet in unprecedented detail", introducción oficial de AlphaEarth Foundations: https://deepmind.google/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/

[^ref8]: Trieu H. Trinh et al.,"Solving olympiad geometry without human demonstrations", artículo de AlphaGeometry publicado en Nature (2024): https://www.nature.com/articles/s41586-023-06747-5

[^ref9]: Google DeepMind,"AlphaEvolve: A Gemini-powered Coding Agent for Designing Advanced Algorithms", blog técnico oficial: https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

[^ref10]: Mike A. Merrill et al.,"Terminal-Bench: Benchmarking Agents on Hard, Realistic Tasks in Command Line Interfaces", benchmark de evaluación de agentes para tareas reales y complejas en entornos de terminal: https://arxiv.org/abs/2601.11868; página principal del benchmark: https://www.tbench.ai/

[^ref11]: Tencent Hunyuan,Hy4 preview, blog de lanzamiento del modelo citado en el texto: https://hunyuan.tencent.com/research/hy4-preview

[^ref12]: Anthropic,"How Claude is uplifting biomolecular modeling", artículo oficial de investigación que presenta la participación de Claude en la aceleración de modelos biomoleculares: https://www.anthropic.com/research/claude-uplifts-biomolecular-modeling

[^ref13]: Justas Dauparas et al.,«Robust deep learning–based protein sequence design using ProteinMPNN», publicado en Science (2022) en el artículo de ProteinMPNN: https://www.science.org/doi/10.1126/science.add2187

[^ref14]: Zeming Lin et al.,«Predicción a escala evolutiva de la estructura de proteínas a nivel atómico con un modelo de lenguaje», publicado en Science (2023), artículo que presenta ESM-2: https://www.science.org/doi/10.1126/science.ade2574

[^ref15]: Profluent,«E1: Modelos Codificadores de Proteínas con Recuperación Aumentada», el artículo de investigación sobre el modelo de codificación de proteínas E1: https://www.biorxiv.org/content/10.1101/2025.11.12.688125v1; la presentación oficial que incluye E1-600M: https://www.profluent.bio/showcase/e1

[^ref16]: EvolutionaryScale,«ESM Cambrian: revelando los misterios de las proteínas con aprendizaje no supervisado»que incluye la introducción oficial del modelo ESM C 600M: https://www.evolutionaryscale.ai/blog/esm-cambrian

[^ref17]: C. M. Petty，«Conjuntos equiláteros en espacios de Minkowski», sobre el estudio original de los conjuntos de puntos isométricos en el espacio de Minkowski, publicado en Proceedings of the American Mathematical Society, 29(2): 369–374 (1971): https://doi.org/10.1090/S0002-9939-1971-0275294-8

[^ref18]: Unitary Foundation,QEC Challenge / qLDPC Challenge, el proyecto oficial del desafío de códigos de corrección de errores cuánticos, tabla de clasificaciones y verificación de distancia de código: https://github.com/unitaryfoundation/qldpc-challenge

[^ref19]: Kehlani Fay et al.,«House of Dextra: Co-diseño con embodiment cruzado para manos diestras», investigación sobre diseño conjunto de estructura y estrategia de control para manos diestras publicada en ICLR 2026: https://arxiv.org/abs/2512.03743

[^ref20]: OpenXiangShan,XiangShan (香山), proyecto de procesador RISC-V de alto rendimiento de código abierto: https://github.com/OpenXiangShan/XiangShan

[^ref21]: Standard Performance Evaluation Corporation (SPEC),SPEC CPU2006, descripción oficial del punto de referencia para la evaluación del rendimiento de procesadores, subsistemas de memoria y compiladores: https://www.spec.org/cpu2006/

[^ref22]: OpenXiangShan,XiangShan Dashboard, panel oficial de rendimiento del proyecto XiangShan: https://dashboard.xiangshan.cc/

[^ref23]: Leslie Lamport,TLA+y el sitio del autor con material sobre la herramienta: https://lamport.azurewebsites.net/tla/tla.html