让 AI 做科研，过去的比法是”谁解题快”。11 月 2 日腾讯混元发布的 Hyra 2.0 换了个目标：不再直接硬啃科学难题，而是让通用 Agent 去造科学模型、研究工作流和软件工具。从刷题到造工具，改变的不只是任务，而是收益能不能被复用。
从”刷题”到”造工具”，换的是目标
Hyra 1.0 曾驱动开源模型解决加法组合学中悬置五十余年的开放问题，验证了一条路径：给 AI 一个有明确评判标准的难题，让它循环尝试，是能出结果的。但这条路有一个天花板——解一道题，收益只有一次。换一道题，一切从头再来。
Hyra 2.0 的判断是：如果让 AI 去改进工具，收益可以被下游任务反复调用。腾讯把这套逻辑称为”智能复利”。落到具体目标上，Hyra 2.0 要参与研发可复用的科学模型、算法与验证工具，同时参与下一代 Hy 模型的训练基础设施、数据合成和推理优化。
这个转向值得注意的地方在于评价标准变了。以前看模型能不能答对某道竞赛题，现在要看它造出的东西有没有被别人用起来。对一家做模型的团队来说，这是把 AI 从”考生”变成”工具车间”，也意味着考核周期从小时级拉到了周级。
三层架构：Overall、Mission、Worker 怎么分工
Hyra 2.0 把研究工作拆成三层，实际上是在模仿一个真实课题组的组织结构。
Overall 层是课题组长，负责和人类研究者沟通、对齐目标，同时协调资源。它是唯一直接面对人的一层，目标理解偏了，下面两层做得再努力也是白费。
Mission 层是长期盯一个研究问题的人。它不接零散任务，而是判断路线取舍：这个方向还值不值得投入，卡点在哪，要不要换方案。研究之所以难，往往难在这种”要不要放弃”的判断上。
Worker 层是执行者，独立读代码、做实验、分析失败原因。有意思的是它的权限——它可以质疑 Mission 层的判断。这个设计明显是针对早期自主 Agent”一条路走到黑”的毛病：如果下层只能服从，上层判断错了就没有纠错机制。
三层之外还有一套存储设计：项目状态、Agent 分层记忆、共享知识库 Books 三者分离。项目状态记录当下进展，分层记忆保证不同层看到不同粒度的信息，Books 则是全组共享的知识沉淀。项目复盘时，可迁移的方法会被整理成 skill，供后续任务直接调用——这是”复利”真正落地的地方。
三套存储与独立复核，让研究能连跑几周
科学研究的现实是：一个课题要跑几天到几周，中途要查文献、改代码、排队等算力、分析失败的实验。这跟聊天机器人几秒钟给一个回答完全是两种负载。Hyra 2.0 为此接入了企业微信、计算平台和代码仓库，用任务队列保存进展，让研究能中断再续。
质量控制用的是”独立复核者”机制：复核者检查代码、日志和原始结果，而不是只看 Agent 自己写的总结。这一点很关键——自主 Agent 最容易出的问题不是算错，而是把没做成的实验描述成做成了。原始日志是唯一不会说谎的东西。
权限上也做了切分：较大的算力开销和共享知识同步需要人工审批。换句话说，日常探索放手，花钱和动公共资产要签字。这套”人在环中”的设计，比完全自主更接近实验室的真实管理方式。
放到行业背景里看，这条路和最近半年智能体基础设施的走向是一致的：公共底座与标准托管解决的是怎么让 Agent 稳定运行，Hyra 2.0 解决的是怎么让 Agent 长期负责一件事。前者是水电，后者是工期。
成绩单：蛋白质、分子力场、量子纠错
腾讯公布的初步成果集中在几个硬核方向，都是可量化对比的：
- HyInv：蛋白质逆折叠模型，196 万参数，根据目标骨架设计蛋白质序列。官方称生成速度比行业常用的 ProteinMPNN 快 57 倍，单张 H20 显卡生成 128 条约 400 个残基的序列只需 50 毫秒。
- HyPLM-Flash：蛋白质语言模型，6.5 亿参数，用 7260 亿 token 训练。在 12 款对比模型中速度第一，35 项任务平均成绩第三，单张 H20 每秒处理约 13 万个残基。
- HyFF：分子模拟力场系列，五款模型参数量从 230 万到 12 亿，覆盖 83 种元素。
- HyQEC：量子纠错工具。此外还有机器人结构探索产出的五指”旋梯手”，在 DR5 仿真评测中，经相同预算的策略微调后，物体旋转速度比论文最优设计快 28.6%。
这些数字有一个共同点：比的都是速度和效率，而不是”能不能做”。这说明 Hyra 2.0 目前的产出更像是把已有方法做得更便宜、更快，而不是开辟新方向。对工程团队来说这已经很有价值，但对”AI 能否做出科学发现”这个问题，还不足以下结论。相关成果表示将持续公开到 GitHub，供社区检验。
值得一提的是，这些模型没有一个是在真机上验证过的——旋梯手只在仿真里跑过。仿真和现实之间的差距，恰恰是 AI for Science 最容易翻车的地方。
智能复利的账，和三个不确定性
“造工具比解题划算”这个判断，在逻辑上成立，在账本上要看三个变量。
第一是复用率。工具造出来如果只有自己用，复利就是空话。HyInv 比 ProteinMPNN 快 57 倍，但前提是别人愿意换工具、愿意重新验证结果。学术界的工具迁移速度历来不快。
第二是验证成本。AI 造出的模型和工具，需要人来判断对不对。蛋白质设计可以靠湿实验验证，一轮几周；分子力场要靠对照计算。验证一旦成为瓶颈，造工具的速度优势就被吃掉了。
第三是跨领域泛化。从蛋白质到量子纠错，方法能不能迁移，目前只有几个点的证据。有评论指出，这类系统的稳定性和跨领域泛化仍需长期检验，这个判断是克制的，也是公允的。
把视野拉远，这条赛道并不只有腾讯。美团在 11 月初发布的 LongCat-2.5 主打长程智能体与国产算力，各家都在把”能跑多久、能自己纠错几次”当成新指标。模型能力的竞争，正在从单轮答题转向长周期任务。智能体落地的真实难点，也正在从”会不会用工具”变成”能不能对结果负责”。
结语
Hyra 2.0 最值得记住的不是那几个跑分，而是它把评价标准从”答对多少题”换成了”造出的工具被用了多少次”。这个转变如果成立，AI 科研的竞争就会从演示视频变成长期工程。对普通读者来说，可以关注两个信号：公开到 GitHub 的工具是否真被外部团队采用，以及下一轮成果里有没有出现”仿真之外”的验证。想先了解 AI 怎么参与文献工作的，可以从文献到综述的流程看起。