Premiera Tencent Hyra 2.0 przesuwa agentów badawczych od odpowiedzi ku narzędziom wielokrotnego użytku

Tencent Hunyuan ogłosił Hyra 2.0, przesuwając rolę swojego agenta badawczego z rozwiązywania pojedynczych problemów w stronę tworzenia modeli naukowych i narzędzi do wielokrotnego wykorzystania. Premiera Tencent Hyra 2.0 stawia w centrum inny rezultat badań: oprogramowanie, które usprawnia kolejne eksperymenty. Jej najsilniejsze publiczne dowody obejmują udostępnione modele białkowe, choć same te artefakty nie pozwalają niezależnie potwierdzić całego procesu rozwoju.

Agent, czyli oprogramowanie wykorzystujące modele AI do planowania i wykonywania zadań, może stworzyć użyteczną odpowiedź bez usprawnienia kolejnego zadania. Deklarowana ambicja Tencent sięga dalej. Firma chce, aby praca badawcza pozostawiała po sobie możliwości wielokrotnego wykorzystania, dzięki czemu późniejsze projekty korzystałyby z wcześniejszego rozwoju.

Google DeepMind’s AlphaEvolve stanowi już punkt odniesienia dla agentów ulepszających algorytmy i infrastrukturę badawczą. Ogłoszenie Hyra rodzi więc konkretne pytanie dla zespołów badawczych: które ulepszenia przetrwają poza eksperymentem, który je stworzył? To pytanie wywiera presję na twórców, by dokumentowali przenośne narzędzia, ich ograniczenia oraz pracę konieczną do ich odtworzenia.

Premiera Tencent Hyra 2.0 zmienia rezultat pracy badawczej

Tencent prosi odbiorców, by oceniali agentów badawczych częściowo przez pryzmat narzędzi, które po sobie pozostawiają.

Relacje z premiery datowane na 2 listopada 2026 r. opisują Hyra 2.0 jako zautomatyzowany system badawczy do tworzenia modeli, przepływów pracy i oprogramowania wielokrotnego użytku. Według opisywanego ogłoszenia jego organizacja dzieli pracę między agentów Overall, Mission i Worker. Opis systemu badawczego wskazuje także na obsługę rozbudowanych zadań, równoległych eksperymentów i weryfikacji.

To rozróżnienie ma znaczenie, ponieważ udany eksperyment i użyteczne narzędzie badawcze mają odmienne kryteria akceptacji. Eksperyment może odpowiedzieć na wąsko zdefiniowane pytanie. Narzędzie musi pozostać użyteczne, gdy ktoś zmienia dane wejściowe, ponownie uruchamia środowisko lub stosuje je w innym projekcie.

Zmienia to, co powinno być uznawane za ukończony rezultat. Obiecującemu wynikowi powinny towarzyszyć kod, instrukcje i wystarczający kontekst wyjaśniający warunki, w których ten wynik obowiązuje. Model potrzebuje dostępnych wag, czyli wyuczonych wartości liczbowych określających jego zachowanie, a także praktycznego sposobu jego uruchomienia.

Publiczne repozytorium Tencent zapewnia konkretny punkt wyjścia. Aktualizacje z 2 listopada wymieniają HyInv i HyPLM-Flash wraz z wagami, kodem inferencji i raportami technicznymi. Inferencja oznacza uruchomienie wytrenowanego modelu w celu uzyskania wyników. Daje to zewnętrznym badaczom coś bardziej namacalnego do zbadania niż samo ogłoszenie.

Repozytorium zawiera także wcześniejsze artefakty badawcze Hyra z matematyki, informatyki i innych dziedzin. Te wcześniejsze wyniki wskazują na ciągłość, ale nie powinny automatycznie stanowić dowodu dla każdego twierdzenia dotyczącego Hyra 2.0. Daty publikacji, poszczególne foldery i ich dokumentacja nadal są istotnymi rozróżnieniami.

Publiczne artefakty wspierają węższy wniosek niż pełne autonomiczne badania. Badacze mogą sprawdzić, czy udostępniony model działa i czy potwierdza się jego opisywane zachowanie. Ustalenie, jak niezależnie system zaprojektował ten model, wymaga dodatkowych dowodów dotyczących decyzji, interwencji i nieudanych eksperymentów.

To rozróżnienie nie umniejsza praktycznej wartości publikacji. Użyteczny model naukowy może przynosić korzyści badaczom nawet wtedy, gdy proces jego rozwoju pozostaje częściowo nieprzejrzysty. Oddziela jednak dwa twierdzenia, które często występują razem: użyteczność wyniku i autonomię jego twórcy.

W przypadku premiery Tencent Hyra 2.0 natychmiastowa zmiana jest zatem namacalna, lecz ograniczona. Tencent zaprezentował narzędzia badawcze wielokrotnego użytku i opublikował nazwane wydania modeli. Szersza teza, że narzędzia te systematycznie usprawniają późniejsze badania prowadzone przez agentów, wymaga dowodów z powiązanych projektów.

Narzędzia wielokrotnego użytku wywierają presję na zespoły platform badawczych

Rezultat wielokrotnego użytku zmienia ekonomię badań tylko wtedy, gdy późniejsza praca rzeczywiście go wykorzystuje.

Grupa badawcza może poświęcić znaczny wysiłek na uzyskanie wyniku, który pozostaje związany z pierwotnym środowiskiem. Skrypty zależą od nieudokumentowanych założeń. Ustawienia ewaluacji istnieją tylko w czyjejś pamięci. Kolejny badacz musi wtedy powtórzyć pracę przygotowawczą, zanim przetestuje nowy pomysł.

Deklarowany kierunek Hyra odpowiada na ten dobrze znany problem. Jeśli agent tworzy utrzymywany model lub przepływ pracy, późniejsze projekty mogą zaczynać od tego zasobu. Potencjalna korzyść wynika z uniknięcia powtarzanego rozwoju, a nie wyłącznie z szybszego wygenerowania odpowiedzi.

Projektowanie białek stanowi konkretny przykład. Zespół poszukujący sekwencji kandydujących może wykorzystać istniejący model w procesie selekcji. Usprawnienie tego współdzielonego modelu może wpływać na kolejne procesy projektowe, pod warunkiem że ulepszenie zachowuje właściwości potrzebne tym badaczom.

Tworzy to presję na zespoły budujące agentów badawczych, by definiowały swój rzeczywisty produkt. Czy rezultatem jest ustalenie eksperymentalne, wygenerowana publikacja, wykonywalny przepływ pracy czy utrzymywany komponent naukowy? Każdy z nich wymaga innej dokumentacji i innych dowodów wartości.

Dla menedżerów badań istotne porównanie wykracza poza czas ukończenia pracy przez agenta. Ktoś musi zintegrować wynik, sprawdzić jego założenia, przeanalizować jego błędy i zdecydować, czy powinien trafić do współdzielonej infrastruktury. Działania te określają, czy pozorny wzrost produktywności przetrwa kontakt z rutynową pracą.

Twórcy stoją przed podobnym obciążeniem. Narzędzie działające dla autora nadal może być trudne w użyciu dla innego zespołu. Stabilne interfejsy, zrozumiałe błędy i jawne zależności wpływają na wdrożenie nawet wtedy, gdy bazowy wynik badawczy jest rzetelny.

Nabywcy korporacyjni powinni zatem pytać o odpowiedzialność po początkowym eksperymencie. Wygenerowany komponent potrzebuje osoby odpowiedzialnej za aktualizacje, kompatybilność i wycofywanie wersji, które stają się niewiarygodne. Rozwój agentów nie eliminuje tych obowiązków; udane ponowne wykorzystanie czyni je bardziej istotnymi.

Istnieje też różnica między przechowywaniem doświadczenia a uczynieniem go przenośnym. Zapisane wyjaśnienie może pomóc przyszłemu agentowi, lecz wykonywalna kontrola zapewnia wyraźniejszy test. Może określić, czy znany błąd powrócił w zmienionych warunkach.

Wiedza badawcza korzysta z tej samej dyscypliny. Zespoły muszą łączyć dokumenty techniczne z decyzjami i dowodami, które za nimi stoją. Przeszukiwalna baza wiedzy odpowiada na ten problem organizacyjny, choć nie zastępuje walidacji eksperymentalnej.

Presja wynikająca z ogłoszenia Hyra jest zatem konkretna. Zespoły platform badawczych muszą pokazać, jak udana praca staje się niezawodnym zasobem. Rosnąca kolekcja wyników ma mniejsze znaczenie niż dowody, że wyniki te ograniczają powtarzany wysiłek bez przenoszenia ukrytych błędów dalej.

Jak Hyra 2.0 organizuje pracę poza pojedynczym eksperymentem

Proponowany mechanizm zależy od koordynowania badań w czasie, zachowywania dowodów i udostępniania użytecznych wyników późniejszym zadaniom.

Tencent opisuje architekturę z warstwami Overall, Mission i Worker. Nazwy ustanawiają hierarchię, lecz sama hierarchia nie dowodzi skuteczności. Istotne pytanie brzmi, czy ten podział pomaga badaniom trwać mimo opóźnień eksperymentów, zmieniających się priorytetów i nieoczekiwanych wyników.

Użyteczna interpretacja oddziela koordynację projektu od realizacji eksperymentów. Priorytety badawcze działają w innej skali czasowej niż edycje kodu i pojedyncze uruchomienia. Rozdzielenie tych kwestii może ułatwić zmianę kierunku bez utraty zapisu ukończonej pracy.

Jest to interpretacja celu projektu, a nie niezależne potwierdzenie jego skuteczności. Publiczne opisy nie mogą wykazać, jak niezawodnie system radzi sobie z niejednoznacznymi dowodami. Nie pokazują też, jak często badacze muszą przekierowywać dochodzenie.

Długotrwała praca sprawia, że te pytania są ważne. Trening może zakończyć się po zakończeniu początkowej sesji planowania. Ewaluacja może ujawnić, że pozornie obiecująca zmiana zawodzi w innych warunkach. System badawczy potrzebuje niezawodnego sposobu wznowienia pracy na podstawie dowodów, zamiast odtwarzania zdarzeń z podsumowania.

Równoległe eksperymenty tworzą kolejne wyzwanie. Kilka wiarygodnych podejść może dawać wyniki trudne do porównania, ponieważ różnią się ich środowiska lub założenia. Koordynacja staje się użyteczna, gdy zachowuje te różnice i zapobiega niesprawiedliwemu porównaniu korzystnego wyniku.

To samo rozumowanie dotyczy weryfikacji. Recenzent potrzebuje dostępu do tego, co faktycznie uruchomiono, w tym do odpowiedniego kodu i warunków ewaluacji. Przeczytanie przekonującego komunikatu o ukończeniu daje mniejszą pewność niż sprawdzenie bazowych dowodów.

Narzędzia wielokrotnego użytku rozszerzają ten wymóg poza bieżący projekt. Późniejszy agent musi wiedzieć, co robi wcześniejsze narzędzie, gdzie zawodzi i która wersja wygenerowała dany wynik. W przeciwnym razie zgromadzone zasoby badawcze mogą stać się źródłem niepewności zamiast przewagi.

W tym miejscu proponowane przesunięcie staje się wymagające technicznie. Tworzenie modelu wiąże się z wyborami dotyczącymi danych, treningu, ewaluacji i wdrożenia. Przepływ pracy dodaje zależności między operacjami. Oba wymagają trwalszej koordynacji niż odizolowane zadanie programistyczne.

System odkrywania algorytmów Google DeepMind oferuje użyteczne porównanie. AlphaEvolve łączy programy generowane przez model z automatyczną ewaluacją i procesem wyszukiwania ewolucyjnego. Zachowuje obiecujące kandydatury i wykorzystuje je do kierowania kolejnymi propozycjami.

Ten precedens ogranicza twierdzenia o nowości oparte wyłącznie na ulepszaniu narzędzi badawczych. Kod generowany przez agentów i optymalizacja infrastruktury już stanowią część krajobrazu konkurencyjnego. Wyróżnik Hyra musi wynikać z udostępnionych artefaktów, zakresu rozwoju i dowodów ponownego wykorzystania.

Porównanie wyjaśnia także kluczową zależność: ewaluację. Wyszukiwanie staje się produktywne, gdy proces punktacji nagradza właściwość, której badacze rzeczywiście poszukują. System może sprawnie koordynować eksperymenty, jednocześnie optymalizując niepełną miarę.

W przypadku Hyra lepsza organizacja wspierałaby ambicję budowania narzędzi, ale nie może zastąpić osądu naukowego. Mechanizm potrzebuje wiarygodnych testów, interpretowalnych zapisów i decyzji otwartych na rewizję. Są to warunki, w których długotrwała praca agentów może tworzyć trwałe zasoby badawcze.

Modele białkowe konkretyzują twierdzenie o budowaniu narzędzi

HyInv i HyPLM-Flash dają zewnętrznym badaczom nazwane artefakty do oceny, a nie tylko opis zachowania agenta.

Publiczne artefakty badawcze Tencent wymieniają HyInv jako model odwrotnego fałdowania o 1,96 mln parametrów. Odwrotne fałdowanie oznacza proponowanie sekwencji białkowych dla określonego szkieletu strukturalnego. Wydanie wymienia także HyPLM-Flash, model językowy białek o 650 mln parametrów, który uczy się wzorców w sekwencjach białkowych.

Modele te odpowiadają deklarowanej strategii, ponieważ badacze mogą korzystać z nich wielokrotnie. Ich wartość nie zależy od udzielenia odpowiedzi na jedno pytanie podczas prac rozwojowych. Działające wydanie staje się wkładem do kolejnych badań.

W przypadku HyInv praktyczny scenariusz użycia zaczyna się od struktury docelowej. Badacze potrzebują kandydackich sekwencji pasujących do tej struktury, a następnie muszą ocenić, czy spełniają one inne wymagania. Model wielokrotnego użytku do generowania sekwencji może wspierać ten proces, nie rozstrzygając przy tym wszystkich późniejszych kwestii.

HyPLM-Flash pełni szerszą rolę wspierającą. Językowe modele białek dostarczają wyuczonych reprezentacji, które badacze mogą wykorzystywać w różnych analizach. Model wielokrotnego użytku może więc mieć znaczenie w wielu projektach, nawet jeśli żadna pojedyncza aplikacja nie definiuje całej jego wartości.

Informacje o wydaniach w repozytorium potwierdzają, że Tencent opublikował zasoby modeli. Nie potwierdzają jednak samodzielnie skuteczności biologicznej, przewagi w różnych warunkach ani braku udziału ludzi podczas prac rozwojowych. Każde z tych twierdzeń wymaga odrębnych dowodów.

Porównanie szybkości pokazuje, dlaczego zakres ma znaczenie. Badacze muszą wiedzieć, jaki sprzęt, długości danych wejściowych, ustawienia numeryczne i warunki wykonania doprowadziły do zgłoszonej przewagi. Usprawnienie może być użyteczne w tych warunkach, nie mając przy tym uniwersalnego zastosowania.

Jakość musi pozostać częścią porównania. Szybszy generator przynosi ograniczoną korzyść, jeśli jego kandydaci wymagają znacznie intensywniejszego filtrowania. Z kolei porównywalna jakość przy mniejszych wymaganiach wykonawczych może uczynić szersze eksperymentowanie praktycznym. Właściwa równowaga zależy od zadania badawczego.

Biologia eksperymentalna wprowadza dodatkową granicę. Miary obliczeniowe mogą pomagać w ustalaniu priorytetów sekwencji, lecz nie dowodzą, że kandydat zachowuje się zgodnie z zamierzeniem w laboratorium. Skuteczność narzędzia i eksperymentalnie potwierdzona użyteczność biologiczna pozostają powiązanymi, ale odrębnymi wynikami.

Te rozróżnienia czynią wydania bardziej interesującymi, a nie mniej. Model dostępny do pobrania pozwala badaczom badać granice danego twierdzenia. Mogą zmieniać dane wejściowe, analizować przypadki niepowodzeń i decydować, czy komponent pasuje do ich własnej pracy.

Modele białkowe oferują również sposób sprawdzenia, czy narzędzia tworzone przez agentów wspierają innych agentów. Zewnętrzny workflow mógłby włączyć opublikowany model i opisać, gdzie integracja się powiodła, a gdzie zawiodła. Dostarczyłoby to dowodów na możliwość przeniesienia zastosowania poza pierwotny zespół deweloperski.

Ma to większe znaczenie niż liczba dziedzin wymienionych w ogłoszeniu. Szerokość zakresu może świadczyć o ambicji, lecz powtarzalne użycie w wymagającej dziedzinie ustanawia inny rodzaj wartości. Ujawnia potrzeby utrzymaniowe i obnaża założenia, których demonstracja wydania może nie wychwycić.

Na razie najbardziej trafna interpretacja pozostaje konkretna. Tencent opublikował naukowe artefakty modeli zgodne ze swoją strategią budowania narzędzi. Ich dostępność stwarza możliwość zewnętrznych testów, podczas gdy szersze twierdzenia o skumulowanych zdolnościach badawczych pozostają otwarte na ocenę.

Opublikowane artefakty pozostawiają proces rozwoju częściowo niewyjaśniony

Odtworzenie wyniku i odtworzenie procesu, który go stworzył, to różne testy.

Badacz może pobrać model, uruchomić jego ewaluację i uzyskać wyniki zgodne z wydaniem. Wzmocniłoby to zaufanie do artefaktu. Nie ujawniłoby jednak, w jakim stopniu eksperckie wskazówki ukształtowały projekt ani ile nieskutecznych podejść go poprzedziło.

Twierdzenia o autonomii wymagają innego rodzaju zapisu. Istotne dowody obejmują pierwotne zadanie, interwencje człowieka, decyzje badawcze oraz warunki zakończenia pracy. Bez tych szczegółów obserwatorzy nie mogą wiarygodnie odróżnić niezależnego postępu od realizacji silnie kierowanej przez ludzi.

Nie jest to krytyka wyjątkowa dla Tencent. Automatyzacja badań łączy wiele działań, które mogą wymagać różnych poziomów udziału człowieka. System może automatyzować implementację, opierając się jednocześnie na ekspertach przy wyborze problemu, projektowaniu ewaluacji lub interpretacji niejednoznacznych wyników.

Rozróżnienie to staje się szczególnie ważne przy omawianiu skumulowanego ulepszania. Narzędzie może poprawić późniejsze zadanie bez ulepszania bazowego modelu agenta. Nadal jest to użyteczne, ale wspiera bardziej ograniczone twierdzenie niż ogólne samodoskonalenie.

Rekurencyjne ulepszanie, w którym system pomaga ulepszać komponenty wykorzystywane w jego własnym przyszłym rozwoju, rodzi dodatkowe problemy z przypisaniem efektów. Badacze muszą zidentyfikować zmieniony komponent i wyodrębnić jego wkład. W przeciwnym razie ulepszenia wynikające z mocniejszych modeli bazowych lub większych zasobów mogą zostać ze sobą pomieszane.

Na uwagę zasługują także efekty selekcji. Publiczne repozytorium naturalnie eksponuje udane wyniki. Zrozumienie efektywności badań wymaga również informacji o nieudanych uruchomieniach, porzuconych kierunkach i nakładzie pracy na przegląd. Takie zapisy pomagają ustalić, czy udany artefakt reprezentuje powtarzalny proces.

Weryfikowalny framework badawczy Google Research odnosi się do pokrewnego problemu, łącząc generowane twierdzenia z leżącymi u ich podstaw dowodami. W jego omówieniu wskazano rozbieżności między tekstem badawczym, zaimplementowanymi metodami i odtwarzalnymi wynikami jako zagrożenia dla zautomatyzowanej nauki.

Ta praca nie ocenia niezależnie Hyra. Zapewnia użyteczny standard dla tej kategorii: wniosek powinien pozostać powiązany z dowodami, które go wspierają. Dodanie agentów do workflow nie znosi tego wymogu.

Sceptyczne odczytanie nie powinno także traktować każdego ograniczenia jako porażki. Model opracowany przez agenta może być wartościowy nawet wtedy, gdy ludzie wybrali jego cel. Częściowo zautomatyzowany proces może oszczędzać wysiłek. Raportowanie powinno dokładnie określać zakres, zamiast wymagać niezdefiniowanego standardu pełnej autonomii.

Otwarte pozostaje pytanie, jak konsekwentnie to podejście działa w różnych zadaniach. Przekonująca odpowiedź obejmowałaby dopasowane porównania, ujawnione interwencje oraz dowody, że późniejsze zadania korzystają z wcześniejszych narzędzi. Poszczególne wydania potwierdzają elementy tej tezy, a nie cały argument.

Dla deweloperów i nabywców sugeruje to praktyczną zasadę oceny. Należy osobno pytać o jakość artefaktu, niezależność procesu rozwoju i ponowne wykorzystanie w dalszych pracach. Łączenie ich w jedno twierdzenie o zdolnościach utrudnia zrozumienie, co faktycznie zostało ulepszone.

Obserwuj replikację, dalsze wykorzystanie i ujawniony nakład pracy badawczej

Kolejne dowody powinny łączyć publiczne artefakty z odtwarzalną skutecznością oraz mierzalnymi korzyściami w późniejszych pracach.

Pierwszym sygnałem wartym obserwowania jest niezależna replikacja opublikowanych modeli białkowych. Zewnętrzni badacze powinni móc zidentyfikować wersje, uruchomić udokumentowane ewaluacje i opisać, czy deklarowane zachowanie się potwierdza. Wyniki wymagają wystarczającej liczby szczegółów, aby wyjaśnić istotne różnice.

Udana replikacja wzmocniłaby zaufanie do samych narzędzi. Rozbieżności wymagałyby zbadania, zanim stałyby się podstawą szerokiej oceny systemu. Ustawienia sprzętowe, wybory implementacyjne i różnice w ewaluacji mogą wpływać na porównania.

Jeszcze bardziej użyteczna byłaby replikacja badająca ograniczenia. Badacze mogliby testować dane wejściowe wykraczające poza przykłady z wydania i opisywać, gdzie zmienia się skuteczność. Przekształciłoby to początkowy wynik w bardziej przejrzystą mapę zastosowalności.

Drugim sygnałem jest dalsze wykorzystanie przez inny projekt lub zespół. Opublikowany model staje się zasobem badawczym, gdy ktoś włącza go do kolejnych prac. Dowody powinny wyjaśniać, co zastąpił, czego wymagała integracja oraz czy korzyść się utrzymała.

Zewnętrzne przyjęcie rozwiązania wzmocniłoby centralny argument stojący za premierą Tencent Hyra 2.0. Pokazałoby, że rezultat przetrwa poza swoim pierwotnym kontekstem. Adaptacja wymagająca znacznej przebudowy prowadziłaby do bardziej zniuansowanego wniosku.

Późniejsze zadania agentów tworzą kolejne pouczające środowisko. Jeśli badacze potrafią wykazać, że wcześniejsze narzędzie usprawniło kolejne zadanie w porównywalnych warunkach, ustanowią bezpośrednie powiązanie. To powiązanie jest brakującym krokiem między publikowaniem komponentów wielokrotnego użytku a wykazaniem skumulowanych zdolności badawczych.

Trzecim sygnałem jest pełniejsze ujawnienie nakładu pracy rozwojowej i udziału ludzi. Dzienniki badań, podsumowania interwencji i porównania z alternatywnymi workflow ułatwiłyby ocenę twierdzeń o autonomii. Ujawniłyby też, które elementy procesu wymagają dalszych prac inżynieryjnych.

Uczciwe porównanie powinno obejmować pracę nad przeglądem i naprawami. Szybsza początkowa implementacja może stracić przewagę, jeśli badacze spędzą więcej czasu na diagnozowaniu niewiarygodnych wyników. Równie dobrze proces z widocznymi punktami kontrolnymi człowieka może nadal zapewniać wartościowe zmniejszenie całkowitego nakładu pracy.

Sygnały te wzmacniają się wzajemnie, choć nie są wymienne. Replikacja buduje zaufanie do artefaktu. Ponowne wykorzystanie potwierdza możliwość przeniesienia zastosowania. Ujawnienie procesu pomaga wyjaśnić, jak artefakt powstał i czego wymaga powtórzenie tego sukcesu.

Żaden z nich nie wymaga spektakularnego ogłoszenia. Staranna zewnętrzna ocena, udokumentowana integracja lub przejrzysty zapis rozwoju mogą być bardziej informatywne niż kolejny zbiór korzystnych wyników. Każdy z nich zawęża konkretną niepewność.

Czytelnicy oceniający premierę Tencent Hyra 2.0 powinni zacząć od opublikowanego komponentu istotnego dla ich pracy i przeanalizować jego dowody. Sprawdźcie, czy udokumentowane warunki przypominają wasze własne środowisko. Oddzielcie skuteczność modelu od walidacji biologicznej oraz użyteczną automatyzację od twierdzeń o niezależnym odkrywaniu. Następnie poszukajcie późniejszego projektu, który faktycznie skorzystał z narzędzia, w tym uwzględniając nakład pracy potrzebny do jego wdrożenia. Badacze powinni publikować rozbieżności i przypadki niepowodzeń obok udanych replikacji. Nabywcy powinni pytać, kto utrzymuje komponent po zakończeniu eksperymentu. Deweloperzy powinni zachowywać dowody potrzebne do powtórzenia ich pracy. Które opublikowane narzędzie wasz zespół może przetestować wystarczająco dokładnie, aby ustalić, czy zasługuje ono na miejsce w kolejnym projekcie badawczym?