A |
一键部署OpenClaw 传统SEO的生存空间正在被压缩，这已经是不争的事实。 趋势一：从“抢排名”到“抢引用” 过去做SEO，目标是“让页面排到搜索结果第一页”。 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。
B | 现在做优化，目标变成了“让内容出现在AI生成的答案里”。 这意味着工作重心的转移：不再盯着关键词排名波动，而是盯着“品牌在AI回答中的被引用频次”。Agent 们正在开放式科学发现里超过人类。
C | Google DeepMind 的 AlphaEvolve 把 4×4 复数矩阵乘法压到 48 次标量乘法，Together AI 用一群 Agent 把 11 维 kissing number 下界从 593 推到 604，Karpathy 的 autoresearch 给了极简自动训练研究框架。
D | 有数据显示，全球65%的搜索请求已经不再产生点击。用户直接在AI答案里获取信息，根本不需要点进任何网站。
E | 腾讯混元刚刚发布了首个 AI 科学家 Hyra（Hunyuan Research Agent，混元研究 Agent），定位是能递归自我改进的研究型 Agent。 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。
F | 趋势二：内容质量的门槛在提高 AI正在大规模清洗低质内容。 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。
G | 靠AI批量生成文章“铺量”的玩法已经失效，未来能存活的内容只有一种——真正有信息增量的优质内容。
H | 具体来说，AI更看重三样东西：内容的实体完整性（是否有足够多的独立信源交叉验证）、来源的多样性（单一渠道的内容引用衰减系数在加大）、可验证的事实密度（有数据、有引用、有时间戳）。
I | 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。 趋势三：多模态内容成为新战场 2026年的数据显示，主流生成式大模型对多模态内容的解析覆盖率已达92.7%。 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。多模态素材在AI生成答案中的引用权重比2024年提升了75%。
J | 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。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。
K | 上图是 Hyra Harness 的核心循环。 这意味着，纯文字内容已经不够了。图片、视频、音频这些多模态内容，正在成为AI引用的新重点。Context Agent 维护经验库，不断往任务队列里加新的灵感上下文。做SEO的人需要开始思考：我的内容里有没有配图？有没有视频？有没有音频？这些多模态素材能不能被AI解析和引用？ 给SEO从业者的3条建议 第一，别放弃传统SEO。
L | 多个 Proposal Agent 从队列取灵感，写出更好的方案。Google官方说了，SEO最佳实践依然是AI搜索成功的基石。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。传统排名和AI引用是相辅相成的关系，不是谁取代谁。 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。 第二，立刻学习GEO。
M | 这不是选择题，是必答题。AI搜索的流量池正在快速扩大，早做早占坑，等竞品占满信源位再补就晚了。 第三，回归内容本质。
N | AI再强大，也需要优质内容作为“原料”。与其研究怎么“骗过”AI，不如研究怎么写出真正有价值的、AI愿意主动引用的内容。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。 搜索的底层逻辑已经变了。 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。方案在隔离沙箱里跑一遍，拿到分数，再把结果送回 EB。
o | 整个系统是异步的生产者-消费者管线。跟不上变化的人会被淘汰，拥抱变化的人会找到新的机会。
p | 你是哪一种？
申请创业报道，分享创业好点子。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。点击此处，共同探讨创业新机遇！。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。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。下一轮用升级后的评估器重开。 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。
q | 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。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。
r | 三个任务都跑赢 Recursive。
s | 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。
t | 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。
u | 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。
v | 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。 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。 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。
w | 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。
x | 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。
y | 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。
z | 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.liawucunsainantaonao.sbs/news/20260826_3735486.doc
Published on:21:44:38
