построен на модели Hy3 (295 млрд параметров в общей сложности, 21 млрд активных) и нашёл конструкцию, доказывающую, что верхнюю границу в задаче о суммах и разностях множеств целых чисел можно приблизить сколь угодно близко. Агент сначала занимался поиском улучшенных результатов, затем переключился на естественный язык, чтобы предложить математическую конструкцию и доказательство; весь процесс занял около 24 часов. Команда самостоятельно проверила и формализовала доказательство в системе Lean 4. В ходе первоначальных тестов AI4S модель Hyra-1.0 показала впечатляющие результаты в математике, астрономии, квантовых вычислениях и разработке лекарств: агент решил 29 из 55 открытых проблем, обнаружил предсказательную формулу на основе данных о солнечных пятнах (коэффициент детерминации R²=0,77), улучшил алгоритм квантовой маршрутизации на 44,4% и сгенерировал кандидатную молекулу для белка PARP1 (поли(АДФ-рибоза)-полимераза 1). Команда стремится достичь полной автоматизации научных исследований, при которой ИИ самостоятельно выдвигает гипотезы, проводит эксперименты и итеративно улучшает результаты. Для этого они ищут как специалистов по ИИ (для работы над архитектурой агентов, обучением с подкреплением (RL, reinforcement learning), контекстным обучением, оценкой моделей, системами обучения и написанием GPU-ядер), так и учёных из смежных областей, способных переводить научные цели в выполнимые задачи и оценивать достоверность результатов, полученных ИИ.