1.0递归自我改进研究智能体

核心亮点

腾讯混元推出 Hyra-1.0，一个能够递归自我改进的研究型 AI 智能体。它在 NanoChat 等三项任务上全面超越 Recursive 公开的结果，并在 55 个数学开放问题中刷新了其中 29 个的历史最好成绩。更令人惊讶的是，Hyra 还设计出了一种仅含 15 个可训练参数、就能完成 10 位数加法的 AI 核心技术架构，所有产物已在 GitHub 开源。

具体能力或事件经过

传统智能体大多按固定流程执行任务，而 Hyra-1.0 的特别之处在于“自我改进”：它不只是完成任务，还会在任务结束后反思自己的方法论，把更优的策略沉淀下来，用于下一轮迭代。这种递归式进化让它在研究类任务上越跑越强。在 NanoChat 等基准上，它不但超过了此前公开的最优成绩，还展现出跨任务迁移的潜力。与此同时，它主动设计的极简加法架构，显示出智能体在“元设计”——即设计更小的智能体——方面也开始具备创造力。

技术细节

“递归自我改进”的核心，是让智能体把经验写入可复用的知识库与代码库，下一轮直接调用并继续优化。15 个参数的 10 位数加法架构，说明 Hyra 在搜索算法空间时，找到了用极少参数表达长程运算的技巧，这类极简结构对边缘端部署极具价值。所有代码、权重与实验记录开源，意味着社区可以复现并继续推进，也方便研究者检验其自我改进的真实边界。

与竞品对比

与一次性训练、推理固定的传统模型相比，Hyra-1.0 把“学习如何学习”前置到了智能体层面。Recursive 等先行者证明了自我改进路线的可行性，而 Hyra 在多项公开任务上反超，显示出腾讯在智能体闭环设计上的工程功底。更轻量的自研架构也表明，递归智能体不一定依赖庞大规模，小参数也能撬动复杂运算。

行业影响或适用场景

说白了，会自己进化的研究智能体，有望成为科学发现的加速器。它可应用于自动文献综述、假设生成、算法搜索、芯片布局等需要反复试错的领域。对产业而言，开源降低了门槛，更多团队可以基于 Hyra 构建自己的自我改进流水线。当然，递归自我改进也带来可控性与安全性的新课题——当智能体开始改写自身方法，如何设定不可逾越的边界，将是后续落地的关键。