ARTICLE · 1301900
＂ 不刷题的 AI:腾讯交了 6 件工具,都能查＂
先说判断：答案和工具不是一回事
8 月发布的 Hyra 1.0，用国产开源模型解出了加法组合学里一个悬了五十多年的问题，当时被说成国产模型第一次。
那件事很漂亮。但混元自己在 11 月 2 日的发布里提了个问题：解出一道题，收获的其实只是一个答案而已。
它不会让下一次解题更容易，智能复利是零。
工具就不一样。升级一件工具，所有用到它的下游任务都跟着受益。
所以 Hyra 2.0 换了个目标：不是让它解题，是让它造工具。这次一并交出来的，是六件。
拆解：先看清交的到底是什么
先交代一句：这批东西不在新闻稿里，在 GitHub 上：Tencent-Hunyuan/Hyra-results。
我查了这个仓库。它 7 月就建了，不是这两天临时搭的。AI4AI、AI4Fun 两个目录的提交在四个月前，AI4Science 下面现在躺着 18 个子目录，对应 18 个问题。
11 月 2 日新放进去的是四个目录，加上另外两件，凑成这次的六件。
挑三件说。
第一件：196 万参数，比行业标配快 57 倍
HyInv，做蛋白质逆折叠。给你一个目标骨架，让它反推出能折叠成这个结构的序列。
说白了就是看结构猜序列。
它只有 196 万参数。对比一下，制药行业常用的 ProteinMPNN 是它的几十倍。
官方说生成速度快 57 倍，吻合度还更好，50 毫秒就能出 128 条序列。它举的用途是药物设计、酶工程和文库构建。
这个模型有点意思的地方在于：从预训练一路到微调和推理优化，整个流程都是 Hyra 自己在跑。这是从「加速别人的模型」跨到了「从头做出一个新模型」。
第二件：力场这个行当，精度打平、速度快 20 倍以上
HyFF，分子模拟用的机器学习力场。五个规模，230 万到 12 亿参数，覆盖 83 种元素，在 OMol25 数据集上训练。
README 里给了两组很具体的对比，比新闻稿细得多：
| 快 29 倍 | |||
| 快 9.7 倍 |
（速度那栏是单张 H20 上跑 2,586 原子体系的结果。）
翻译一下：Andante 的力误差比对手高了 0.1，基本算打平；但跑起来快 29 倍。Largo 反过来，误差更低，速度还快 9.7 倍。
精度打平、速度差一个量级，这在分子动力学里是有意义的：原来跑不动的体系，现在跑得动了。
官方举的例子是近 6 万原子的水通道蛋白跑 100 纳秒，能看见水分子排成单列穿过膜。
第三件：两个数学猜想，但要看清限定
这块最需要小心，中文报道把它写大了。
中文报道普遍写「HyProver 完成了丘成桐圆周作用猜想的证明」。我去看了 GitHub 原文，官方自己的表述比这窄：
Yau's circle-action conjecture (unrestricted form). A closed seven-manifold with strictly positive sectional curvature admits no effective smooth circle action, giving a counterexample. The manifold is not simply connected; the simply connected version remains open.
意思是：解掉的是无限制形式，给出的是一个非单连通的七维流形反例；单连通版本仍然没有解决。
这跟「猜想被证明了」不是一回事。我把这句原话摆在这儿，是因为差一个字，性质就变了。
同批还有一个更干脆的：Petty 五维等距点猜想，把这个问题的已解决维数从 4（Makeev, 2005）推到了 5。这个说「推进」是准的。
更值得看的不是成果，是它怎么干的
六件东西只是结果，更值钱的是那套流程。
Hyra 2.0 分三层。Overall 跟人对接，管优先级和资源。Mission 长期盯一个研究问题，定研究路线和实验设计，对结论负责。Worker 干活，读代码、跑实验，还可以质疑 Mission。
真正让我停一下的是它的证据规矩。
Worker 交差时必须附代码版本和实验结果，还有日志或原始轨迹。Mission 要去翻实际操作记录，看实验到底支不支持报告里那个结论。
需要独立验证时，系统会另起一个 Review Worker，先让它接触原始问题和证据，再去看结论。这样它不容易被执行者的说法带偏。
这条设计看着朴素，但它解决的是一个真问题：AI 自己做的研究，怎么知道它没在自说自话。
这算不算「AI 改进 AI」
混元自己在文里点了这个：Hyra 2.0 参与升级训练基础设施，帮着训下一代混元模型；下一代模型又成为它手里的工具。
这个循环如果真的能转起来，就是所谓递归自我改进，也是这波 AI 里最值得期待、也最该警惕的东西。
但得说清楚：官方给的是一句描述，不是一个已经验证的闭环。 我在 GitHub 上没找到对应的评测或数据。
但真正能说明问题的，是下一代混元模型出来时，有没有说清楚「哪些部分是这个系统做的」。
对你意味着什么
如果你不关心科研，这条离你有点远。但有两类人可以往下想。
做研发管理的。 这套三层分工加上「证据必须附原始日志」的规矩，是能抄的。哪怕你用的不是 Hyra，只要你的 agent 在跑长任务，这套「独立复核 + 分级记忆」都会用得上。
关注 AI 泡沫的。 11 月 2 日那份 Anthropic 财报说明了一件事：算力越来越贵。
而 Hyra 这类东西，如果能真的把科研成本打下来，那就是另一条路：不是让模型更聪明，是让同样的聪明被反复用。
至于那六件工具，权重和代码都放了。你要是真有相应算力，可以去跑一遍，看是不是真的比对手快 57 倍。我给不了这个验证，只能给到官方口径。
结论
回到开头那句：答案和工具不是一回事。
一道题的答案，用完就没了。一把尺子做出来，谁都能拿去量。
这次真正值得记的不是「AI 又解了什么难题」，是它开始造能被别人反复用的东西了。而且造出来的东西摊在 GitHub 上，能查、能挑错、能被打脸。
这比再多解十道题更有分量。
你所在的行当，有没有那种「一次做好、所有人受益」的活，正在被 AI 接过去？评论区说说，我想听听具体的。
AI 圈的事，搜「AI 览无余」就有——不追热搜追数据，每篇都标出处、都算给你看。
