腾讯混元Hyra让研究智能体自我进化

腾讯混元在 7 月 21 日发布 Hyra-1.0，试图把 AI 智能体从“完成一次任务”推进到“在同一任务上持续试错并改进自己”。

**Hyra 是 Hunyuan Research Agent 的缩写，也是一个面向性能导向型科研与工程任务的自动化研究智能体。**与普通聊天机器人给出一次答案不同，Hyra 会反复提出方案、执行方案、读取日志和评估反馈，再决定下一轮修改什么，直到主动结束、预算耗尽，或者无法继续取得有效进展。

这次发布最值得关注的并不是腾讯又做了一个 Agent，而是 Hyra 把“递归自我改进”放到了系统设计的中心。腾讯称，Hyra 不只用于公开基准，也希望进入真实 AI 研发流水线、自然科学研究和工业系统，在持续运行中寻找比初始方案更好的解法。

不过，Hyra-1.0 目前更像一套研究系统和方法论展示，而不是已经面向普通用户交付的成熟产品。腾讯暂未公布其开放方式、具体价格、底层模型配置、完整基准分数以及单项任务的平均计算成本，因此现在还不能仅凭演示判断它是否具备稳定、经济的规模化部署能力。

Hyra 的核心不是“多想一步”，而是建立可执行的研究闭环

**递归自我改进（Recursive Self-Improvement，RSI）是系统利用自身历史结果和外部反馈，持续修改后续策略、程序或解法的过程。**这里的“自我改进”不等于直接训练或重写底层大模型权重，Hyra 展示的重点更接近推理时自我改进：模型保持不变，但智能体生成的代码、参数、工具调用方式和候选方案会一轮轮变化。

这个区别很重要。公众语境中的“AI 自我进化”容易让人联想到模型自主训练下一代模型，但 Hyra-1.0 的实际机制更务实：它把每次尝试留下的源代码、执行日志、评估器意见和最终得分保存下来，后续轮次再基于这些历史经验提出新方案。

**Harness 是约束和组织智能体执行过程的运行框架。**Hyra 的 Harness 采用轻量化设计，不预先塞入大量固定工作流，而是尽可能扩大智能体的动作空间，让它自行决定要检查什么、修改什么以及何时停止。

按照腾讯披露的流程，Hyra 接收任务描述后，会持续运行以下循环：

1. 阅读任务目标、约束条件和已有历史；
2. 提出一个新的候选方案，也就是 solution；
3. 执行候选方案并收集运行日志；
4. 由评估器给出分数或结构化反馈；
5. 将源代码、日志、反馈和结果写入历史经验；
6. 根据历史信息继续探索，或者判断是否结束；
7. 从全部历史方案中返回得分最高的结果。

这套循环看起来并不复杂，但它比常见的“生成—反思—重写”更接近真正的工程研发。原因在于，Hyra 的反馈并非只来自模型自己对文本答案的主观点评，而是可以接入编译器、仿真器、测试集、性能分析工具或视觉评估模型，让结果接受外部环境检验。

**评估器是把任务结果转化为分数、约束判断或改进意见的外部组件。**一个评估器越客观、越稳定，智能体就越容易找到真正有效的优化方向；如果评估器本身存在漏洞，智能体也可能学会“刷分”，得到指标更高但实际更差的方案。

这也是 Hyra 与普通深度研究产品的边界。常见 Deep Research 系统主要解决资料搜索、归纳和引用问题，而 Hyra 更强调可运行产物与性能反馈，它更像一个能连续做实验的研究工程师，而不是一个擅长整理网页的分析师。

3D 建模案例展示了它如何边做边改

**腾讯展示的 3D 重建案例要求 Hyra 仅根据一张二维参考图，设计物体的三维结构并生成可渲染模型。**这类任务没有唯一标准答案，却可以从轮廓、比例、结构完整性、材质和视觉相似度等多个维度评价，适合观察智能体是否真的能在多轮探索中进步。

**Rubrics 是把开放式任务拆成多个可检查维度的评分规则。**在这个案例中，系统不是只问“像不像”，而是分别检查轮廓是否一致、物体比例是否合理、结构是否缺失、材质是否协调，以及最终渲染与参考图的视觉相似度。

**VLM judge 是利用视觉语言模型对图像或多模态结果进行评价的自动评审器。**Hyra 每轮修改建模代码和渲染参数后，VLM judge 会按照 rubrics 给出反馈，智能体再据此判断应该调整几何结构、相机位置、光照、纹理还是材质。

腾讯给出的对比结果显示，Hyra 经过多轮探索生成的模型，比使用 Claude Code goal 模式一次性生成的结果更接近参考图，也更符合展示中的人类审美判断。这个案例能够证明循环优化有潜力改善结果，但由于官方尚未公布样本规模、盲测人数、统计显著性和每轮成本，它目前仍属于有说服力的演示，而不是完整 benchmark。

3D 案例真正说明的问题是，代码生成只是研究智能体的动作手段，而不是最终目标。Hyra 可以修改建模脚本、渲染参数和实验流程，只要环境能够执行这些动作，并且结果能够被评估，它就有机会把同一种机制迁移到芯片设计、算法优化、模型训练或工业仿真中。

“苦涩的教训”决定了 Hyra 为什么要保持框架简单

**The Bitter Lesson 是 Rich Sutton 总结的一条 AI 研究经验：长期来看，依赖通用计算和可扩展搜索的方法，往往会超过大量人工编码的领域规则。**Hyra 把这一思路落实为“简单 Harness 加宽动作空间”，减少对固定研究步骤的硬编码，让智能体有机会探索开发者没有预先想到的路径。

这种设计的优势是上限更高。一个规则密集的 Agent 可能在标准流程内表现稳定，却很难跳出预设模板；Hyra 则允许模型自行编写和修改 solution，在环境反馈足够清晰时，可能找到人类工程师不容易想到的参数组合或算法结构。

这种设计的代价是成本和不确定性更高。动作空间扩大之后，智能体也更容易走弯路、重复实验、破坏已有正确部分，甚至利用评估器漏洞获得虚高分数，因此系统必须同时处理预算控制、沙箱隔离、结果复现和最优方案回滚。

Hyra 保留“历史最优方案”是一个关键但容易被忽略的设计。递归优化并不保证每轮都比上一轮更好，如果第 8 轮错误修改导致结果退化，系统仍然可以返回第 6 轮的最佳方案，而不是机械地把最后一次输出当作最终答案。

Hyra 与 AlphaEvolve、开放式多智能体研究有什么不同

**自动化研究智能体是能够自主提出假设、执行实验、读取结果并继续迭代的 AI 系统。**过去一年，这条路线从代码优化扩展到数学、模型训练、开放式搜索和科学发现，Hyra 进入的是一个竞争迅速升温的方向。

Google DeepMind 的 AlphaEvolve 展示了进化式程序搜索的威力，其中一个结果是用 48 次标量乘法完成 4×4 复数矩阵乘法；相比常规逐项计算所需的 64 次复数乘法拆解路径，这类发现的价值在于能够被程序验证，而不是依赖语言模型“觉得答案不错”。

Together AI 的开放环境多智能体实验则把 11 维 kissing number 的已知下界从 593 推进到 604，增加 11 个点，提升约 1.85%。Andrej Karpathy 的 autoresearch 更强调极简循环，让智能体自行修改训练代码、运行实验、读取指标，再决定是否保留修改。

| 系统 | 主要方向 | 搜索对象 | 反馈来源 | 已披露代表结果 | 与 Hyra 的关键区别 | |---|---|---|---|---|---| | Hyra-1.0 | 科研与工程任务 | 代码、参数、实验方案 | 日志、评估器、VLM judge | 单图驱动 3D 建模演示 | 强调通用轻量 Harness 和真实研发流水线 | | AlphaEvolve | 算法与程序发现 | 可执行程序 | 自动验证器与性能指标 | 48 次标量乘法完成 4×4 复数矩阵相乘 | 更聚焦可严格验证的算法搜索 | | Together AI 开放式多智能体系统 | 协作式科学搜索 | 多智能体提出的候选构造 | 数学约束与环境验证 | 11 维 kissing number 下界由 593 提升至 604 | 强调多个智能体在开放环境中的协作 | | autoresearch | 模型训练研究自动化 | 训练代码与实验配置 | 训练指标和实验结果 | 展示精简的自主研究循环 | 更像可复现的个人研究自动化范式 | | Claude Code goal 模式 | 目标驱动的软件执行 | 代码与工具操作 | 任务完成状态与模型判断 | 腾讯用于 3D 案例对比 | 更偏通用编程执行，不以长期进化循环为核心 |

这几类系统的共同点是把大模型放进“提出候选—运行—评分—保留优胜者”的搜索框架，而不是要求模型一次生成完美答案。它们之间真正的差异不只在底层模型能力，更在于环境能否稳定执行、评价器能否准确评分，以及系统愿意投入多少计算预算探索候选方案。

Hyra 最适合“能跑、能测、能比较”的任务

**Hyra 的潜在优势集中在结果可执行、指标可测量、实验可重复的任务。**如果一个任务能在几分钟或几小时内跑完，并返回清晰的准确率、速度、内存、能耗、结构合法性或视觉评分，智能体就能把这些信号用于下一轮优化。

最直接的应用场景包括：

• 模型训练中的超参数、数据配比和损失函数搜索；
• 推理内核、算子融合与编译优化；
• 3D 资产生成、材质和渲染参数调整；
• 数学构造、组合优化与算法发现；
• 芯片布局、结构设计和工业仿真；
• 具有自动化测试集的软件性能优化。

Hyra 不太适合目标模糊且缺少可靠反馈的任务。战略判断、社会科学研究、产品方向选择或审美创作往往不存在单一分数，如果强行设计一个代理指标，智能体可能把“指标最优”误当成“现实最优”。

一个典型风险是 Goodhart 定律：当某个指标成为优化目标，它就不再是可靠指标。假设 3D 评估器过度看重轮廓相似度，智能体可能牺牲背面结构、可打印性或拓扑质量，只为让单一视角的渲染图获得高分。

真正的门槛不在循环，而在评估器和实验基础设施

递归循环本身并不构成足够高的技术壁垒，可靠的环境、评估器和数据闭环才是研究智能体的核心资产。“生成方案—执行—评分—再生成”用几十行流程逻辑也能搭出来，但要让它连续运行数百轮而不失控，需要完整的工程系统支撑。

第一道门槛是评估可靠性。数学证明、单元测试和编译性能有较客观的反馈，科学假设和视觉审美则更依赖近似评估器；后者一旦出现偏差，智能体会快速放大偏差。

第二道门槛是实验成本。每轮都可能包含长上下文推理、代码执行、模型训练、仿真或图像渲染，如果 100 轮探索只带来不足 1% 的收益，商业价值就要重新计算。腾讯此次没有公布 Hyra 的单任务 token 消耗、GPU 时间和成功率，这些数据将直接决定它能否从实验室进入生产系统。

第三道门槛是可复现性。真实科研需要保存环境版本、随机种子、依赖项、数据快照和完整日志，否则智能体找到的“最佳方案”可能无法再次运行，甚至只是一次随机波动。

第四道门槛是安全边界。允许智能体自由修改代码和调用工具意味着它必须运行在严格隔离的沙箱内，同时限制网络、文件系统、凭证、算力和最长运行时间，工业场景还需要人工审批高风险动作。

Hyra-1.0 值得关注，但现在还谈不上“自动科学家”

**Hyra-1.0 的价值在于腾讯明确押注了“可验证的长期任务”，而不是继续堆叠一个更会聊天的通用助手。**对开发者来说，这条路线比单纯增加工具调用数量更有意义，因为它试图让 Agent 对结果负责，并通过真实执行反馈修正自己。

Hyra 目前最大的亮点是框架思路清楚：保持 Harness 简单、扩大动作空间、完整记录历史、持续接受外部评估，并最终返回历史最优结果。这套设计符合自动化研究系统的发展方向，也具备跨任务迁移的可能性。

Hyra 目前最大的短板是缺乏足够公开数据。官方尚未给出统一基准、平均迭代轮数、计算预算、底层模型消融实验、失败率和成本曲线，也没有说明 VLM judge 与人工评审的一致率，因此外界暂时无法判断性能提升究竟来自递归循环、底层模型、工具环境，还是更高的计算投入。

“递归自我改进”也不应该被包装成无限增长的智能。Hyra 能改进的是当前任务中的候选方案和执行策略，其提升仍受底层模型能力、上下文容量、工具质量、反馈准确度和预算上限约束；如果模型无法理解失败原因，或者评价器无法分辨好坏，增加循环次数只会更昂贵地重复错误。

腾讯接下来是否开放 Hyra、是否提供可复现实验，以及能否公布成本与基准，将决定它是一篇有趣的研究展示，还是一套真正能进入 AI 研发流水线的基础设施。至少从 Hyra-1.0 释放的信号看，国内大厂的 Agent 竞争已经开始从“能调用多少工具”，转向“能否在长时间运行中产出可验证的新结果”。

参考来源

• IT之家：腾讯混元发布科学发现智能体 Hyra，能够递归自我改进——报道 Hyra-1.0 的发布信息、运行循环、设计原则与 3D 建模案例。