大秦帝国
腾讯混元发布首个AI科学家Hyra！简单有效，能递归自我改进_我的网站
一 | 专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态，欢迎关注！ 递归自我改进与自动化研究正成为 AI 领域最活跃的前沿问题。Agent 们正在开放式科学发现里超过人类。
二 | 它用一套极简脚手架，跑通了十多个自我改进和自动化研究场景里的真实任务。相关机构也提醒高校：这种无人监考的考试，在 AI 面前基本不堪一击，学生很容易就能钻空子。 Hyra 把智能和算力换成可验证的成果，AI for AI、AI for Science、AI for Fun 三条线都有具体产出，部分数学题和 GPU 内核优化还刷新了业内已知最好成绩。像 ChatGPT 这类 AI 工具，输几句话就能写出完整论文，现在学生用得特别普遍，已经给整个大学教育出了个大难题。这份报告来自英国智库“政策交流”，他们直接呼吁英国大学：赶紧叫停没人监考的居家远程考试，AI 作弊的风险已经越来越高了。 Hyra 长什么样 Hyra 的设计哲学来自 Rich Sutton 那篇经典的 The Bitter Lesson（苦涩的教训），框架尽量轻，给 Agent 留足动作空间。
三 |
图源：豆包AI生成英国前商务大臣文斯・凯布尔爵士给报告写了序言，他说大学现在必须抓紧时间、大刀阔斧地改革考核体系，才能应对 AI 带来的挑战。
四 | 拿到一个任务描述，Hyra 会跑一个持续循环，从过往经验里找灵感，迭代出更好的方案。脆弱的考核方式文斯爵士警告，用 AI 作弊正在慢慢耗干大学学位的含金量，而且对老老实实守规矩的学生来说，实在太不公平，吃亏吃大了。经验包括执行日志、评估器反馈、源代码、之前方案留下的工件。报告作者是斯旺西大学医学院的神经科学家菲尔・牛顿教授。循环一直跑，直到 Agent 自己决定停下或者算力预算耗尽，最后交回最优解。 上图是 Hyra Harness 的核心循环。他调研后发现，英国的大学根本没跟上 AI 时代，考核方式一点都没更新 —— 还在大量用容易钻空子的模式，比如带回家写的课程论文、无人监考的远程考试，反而不怎么推行有人监督的线下考核。Context Agent 维护经验库，不断往任务队列里加新的灵感上下文。2024 年，牛顿教授向全英国所有大学提交了信息公开申请，最后统计出：78% 的大学都在给学生安排线上远程考试，但只有 10% 的学校配了线上监考。多个 Proposal Agent 从队列取灵感，写出更好的方案。每个方案以 solve.sh 为入口，在隔离沙箱里跑一遍拿到分数，再把工件交回经验库。 具体看，Context Agent（上下文 Agent）维护一个 Experience Bank（经验库，简称 EB），记录所有方案和评估结果，再把 EB 里的素材合成为 Inspiration（灵感）丢进任务队列。所谓线上监考，一般就是考试时要求学生开摄像头、录屏幕，盯着有没有人作弊。
图源：豆包AI生成当时的数据还显示，有 70% 的大学打算接着沿用线上考核。还有不少大学官网直接明说自己有线上考试，但半句不提监考措施。而现在已经有好多研究证实，大学生用 AI 应付作业和考试，早就成了普遍现象。每个灵感是一坨上下文，可能含代码、文件、工件、日志，把探索过程里学到的东西打包传递下去。英国高等教育政策研究所今年 3 月的调查显示，94% 的学生都承认，自己完成课程考核的时候用过生成式 AI。
五 | 多个 Proposal Agent（提案 Agent）从任务队列拿灵感，反思后写出一个新方案，落到 solution/ 目录里，入口是 solve.sh。牛顿教授在报告里说，如果大学还想在 AI 时代保住办学自主权和存在价值，就得从根上重新设计考核方式。他建议，无人监考的线上考试必须立刻叫停，大学得优先用那些经得住考验、不怕 AI 钻空子的考核方法。老师也得好好培训他写道：“不管是线下还是线上、笔试还是其他形式，考核都得有人当面监督，这才该是常态。方案在隔离沙箱里跑一遍，拿到分数，再把结果送回 EB。
六 | 整个系统是异步的生产者-消费者管线。Context Agent 持续填灵感，提案 Agent 消费队列，方案在沙箱跑评估后回传 EB。信号量控制并发，让方案质量随时间稳定提升。 任务连评估器都没有时，Hyra 会升级成双层循环。”除此之外，他还提了两个方向：一是得好好培训大学老师，让他们懂怎么设计靠谱、有效的考核；二是要给用人单位更详细透明的信息，说明毕业生当年是通过什么考核方式拿的学位。
七 | 先从任务描述生成一个初始评估器，内层循环拿它反复改进方案。作为自由民主党前党魁，文斯爵士评价这份报告 “质量很高，来得也正是时候”。他在序言里写：“现在太多大学的考核体系，AI 一用就直接绕过去了，这么下去学位越来越不值钱，大学的教育作用也会被慢慢架空。 内层结束后，Hyra 用 EB 里攒下的经验去改评估器，让评估代码更高效，降低 reward hacking（奖励作弊）风险，加上更细颗粒度的反馈。”
图源：豆包AI翻译“更关键的是，那些不肯用 AI 作弊、踏踏实实学习的学生，和愿意走捷径的人比起来，反而吃大亏。
八 | 下一轮用升级后的评估器重开。认真学习虽然难，但收获是实打实的，现在却因为作弊的人变多，变得没了优势。”“要想让公众还信得过学位的含金量，还认可高等教育的社会价值，高校就得赶紧大刀阔斧地改考核方式。除非远程考试能做到百分百安全，不然就该换回线下考试。 举个具体例子。任务是设计一个世界冠军级别的国际象棋 AI，初始评估器可能用随机生成的对手群搞 Elo 评级。
九 | 循环跑下去，那些随机对手会被 EB 里记录的更强 AI 替掉，评估器和方案一起往上进化。”牛津大学奥里尔学院院长门多萨勋爵也支持这份报告，说它点出了 “威胁学位标准公正性的一大新问题”。 AI 训 AI，跑赢同行 基础模型研发本身有大量可执行、可评估、可迭代的研究环，是 Research Agent 最天然的应用场景。他写道：“期末考核大量用无人监考的线上考试和居家论文，本质上就是在怂恿学生用 AI 作弊。
十 | 对那些本本分分、守规矩的师生来说，这既不公平，也让人寒心。”针对这份报告，代表英国 142 所高校的 “英国大学联盟” 发言人回应说：“学生、用人单位和公众能信得过大学颁发的学位，这一点至关重要。训练配方、数据策略、训练和推理系统、底层 kernel、评估框架，都需要研究员提假设、写代码、跑实验、看反馈再改。Research Agent 能把每次成功和失败都变成可复用经验，迭代速度远超人工。
十一 | 各大学都在积极和学生沟通，引导大家负责任地使用 AI；如果有人违反规则，学校也有完善的政策来处理。
十二 | ”
十三 | 沿用 Recursive 的任务定义、评估协议和初始方案，公平较量。 三个任务都跑赢 Recursive。注意几个任务已经被研究社区反复打磨过，基线本身已经很强。 NanoChat 上，Hyra 要在固定预算里平衡模型架构、优化器设计、学习率策略、数据流和执行效率，最后把 Validation BPB 压到 0.9015。 NanoGPT Speedrun 是社区精修过的加速榜，提升空间很小，Hyra 把达到 3.28 验证损失的时间从 77.5 秒压到 76.4 秒。 SOL-ExecBench 上，Hyra 联合优化 235 个 GPU kernel 的真实负载，Mean SOL 做到 0.771。
十四 | 三个任务覆盖训练算法、训练系统、底层 kernel，同一套研究环能跨不同反馈环境继续产出可执行、可验证的改进。 搜索越强，评估器越早被钻空子。 NanoChat 里有个方案把因果语言模型改成接近双向注意力的结构，让未来 token 提前泄露，BPB 假性变低。
十五 | SOL-ExecBench 里有个方案在正确性检查时缓存输出，在计时阶段跑空 kernel，分数好看但没真正解题。 光优化最终分数不够，评估本身必须进研究环。
十六 | 方案搜索越强，评估器和验证管线得跟着进化，才能把真进步和 reward hacking 区分开。
十七 | AI for AI 还有一个隐性闭环。强 Research Agent 加速模型、训练系统、基础设施的研发，更扎实的 AI 系统反过来又把下一代 Research Agent 推得更强。 科学难题上的新答案 数学这块，Hyra 收集了 55 个开放数学问题，来自 EinsteinArena 和 Erich's Packing Center 等来源，很多几十年没动过。Hyra 在其中 29 个上拿到了新的最优已知结果。 它还会从实验数据里挖规律。给它 1749 到 1932 年的月度太阳黑子数据，Hyra 找到了一个能预测黑子数的递推关系，在 1932 到 2026 年近一个世纪的样本外数据上 R² 达到 0.77。
十八 | 同样思路可以分析 AI 模型训练日志，挖出 scaling law（缩放定律），反过来指导训练配方设计。
十九 | 除了挖规律，Hyra 还能直接设计科学和工程工件。三个代表性例子。 第一个是超小 Transformer。Hyra 设计了一个只有 15 个可训练参数的 Transformer，能做两个 10 位数相加。
| 比 AdderBoard 上 36 个参数的公开纪录少 58.3%。
| Hyra 能在严格资源约束下联合搜索模型架构和计算机制，对研究神经网络极限和模型压缩有参考价值。 第二个是量子计算里的 qubit routing（量子比特路由）。逻辑量子比特要映射到物理芯片上有限的耦合拓扑，非相邻比特之间的操作通常需要插入 SWAP 门，带来双比特门开销和噪声。 Hyra 设计的路由算法在 IBM Q20 上比经典 SABRE 方法提升 44.4%。同一个 24-CX 路由窗口里，SABRE 插了 15 个 SWAP，Hyra 一个没用，把 CX 等价双比特门从 69 个压到 24 个，降幅 65.2%。
| 双比特门少，执行时间短，累积误差也小。 第三个是药物设计。PARP1 是 DNA 损伤修复里的关键酶，和同源重组修复缺陷的肿瘤细胞有合成致死效应，是精准肿瘤学里的热门靶点。
| Hyra 拿到 PARP1 结合口袋，生成有稳定结合的类药候选分子。从布洛芬出发，Hyra 设计出一个得分 -10.60 的分子，超过了已上市 PARP 抑制剂 olaparib（奥拉帕利）的 -9.77，综合了对接打分和类药性。 还能玩出点花来 除了搞模型和搞科学，Hyra 在游戏、设计、内容创作等开放域也能玩。这类任务通常没有唯一正确答案，靠自对弈、自评估、用户反馈不断打磨策略和工件。
| 第一个是黑白棋（Othello）机器人。Hyra 通过自对弈不断改进。评估器搞双循环赛，新候选方案和 EB 里高分机器人对战，按 Elo 保留前 k 名，对手池越来越强。策略从 minimax 搜索进化成 AlphaZero 风格 PUCT 加 MCTS 的混合打法。最终机器人在 Botzone 平台 730 个参赛作品里排第三，对手大多是北大计算机系学生。
| 第二个是从单张 2D 参考图生成 3D 结构。VLM（视觉语言模型）当评委，按剪影、比例、结构完整性、材质、视觉相似度打分。Hyra 反复修改建模代码和渲染参数，多轮探索后产出的模型比 Claude Code 的 Goal 模式更接近参考图，也更符合人类审美偏好。 第三个是给一段旋律做多乐器编曲。
| 内层循环用规则评估器检查和声、和弦进行、节奏密度、音区冲突等指标。外层循环根据用户反馈调整评估器，慢慢学到那些很难事先形式化的偏好。7 轮迭代下来，同一段旋律从保守的、像赞美诗一样的四声部编配，长成有减和弦、六和弦、灵活节奏和丰富配器的多乐器版本。 反馈来自对手、视觉模型或真实用户时，Hyra 也能把模糊目标转成可迭代搜索的过程。评估标准跟不上的时候，求解器和评估器在双层循环里一起进化。 Hyra 团队自己也说，目前这些 demo 还只是初步成果。
| 下一步要做的是定义更有价值、有持续改进空间的任务。除了公开榜单，腾讯的产品系统、真实 AI 研发流水线、科学和工业场景，都可以变成可执行、可验证、有清晰反馈的问题。这样能跑起来 scaffold–data–model 三者的循环进化。
| 更好的脚手架催生更强的模型，更强的模型反过来又把脚手架和发现推到新高度。未来几代 Hy 模型甚至一些腾讯产品，都会和 Hyra 一起协同进化。 参考资料： https://hy.tencent.com/research/hyra。
Current article:http://lzu23.bianneixuanbingqinyouxie.buzz/list_of5/2gl7.html
Published on:00:00:00