最完美的离婚

HYROX官方回应成都站争议_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。

二 |     

七 | 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。

八 | 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。         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。

九 | 方案在隔离沙箱里跑一遍，拿到分数，再把结果送回 EB。         整个系统是异步的生产者-消费者管线。

十 | 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。

十一 | 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。         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。

十二 | 下一轮用升级后的评估器重开。         举个具体例子。

十三 | 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。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。         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。

十四 | 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。         Hyra 在 Recursive 公开的三个任务上做了对比测试，NanoChat Autoresearch、NanoGPT Speedrun、SOL-ExecBench，分别对应固定预算训练、训练加速、GPU kernel 优化。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。         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。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。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。         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。

十五 | 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。         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。

十六 |          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。

十七 | 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。

十八 |          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。

十九 |          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://www.zuanniangwandangliaolinechu.sbs/qel/20260826/8213635.pptx

Published on:12:44:01