SciForge: локальный ИИ-агент ведёт DL-исследование от статей до GPU-экспериментов

⚡ Главное за 5 секунд - На GitHub опубликован проект sddzlsc/SciForge — local-first харнесс для агентов, который покрывает цикл DL-исследования: литература → чтение → идеи → GPU-эксперименты → статьи и фигуры для публикаций. - В качестве движка заявлены DeepSeek и любые кастомные LLM с OpenAI-совместимым API. - Ограничение: конкретные требования к железу, лицензия и список поддерживаемых моделей в описании не раскрыты — детали придётся смотреть в самом репозитории. ### 🔍 Что обнаружено На GitHub выложен репозиторий sddzlsc/SciForge с подзаголовком «Local-first research agent harness for deep learning». Заявленная область — глубокое обучение, а сам харнесс позиционируется как локальный: цепочка research-процесса описана как «literature → reading → ideas → GPU experiments → papers & publication figures», то есть от подбора литературы и её чтения до постановки экспериментов на GPU и оформления фигур для публикаций. В качестве LLM-бэкенда указаны DeepSeek и кастомные модели, подключаемые через OpenAI-совместимый интерфейс. Механика читается из самой формулировки: это обвязка (harness) над LLM, которая разбивает работу исследователя на последовательные стадии, а не отдельный чат-бот. Ключевая деталь — ставка на OpenAI-совместимый API: значит, движок можно подменить на любой сервер, отдающий такой интерфейс, включая локально развёрнутые веса. Конкретные команды запуска, структура конфигов и пути в репозитории в описании не приводятся — их источником может быть только сам проект. ### 💡 Почему это важно Тренд на local-first агентов бьёт по двум болям сразу: приватность неопубликованных данных и расходы на облачные API. SciForge ставит под одну цепочку то, что обычно раскидано по десятку инструментов — поиск статей, их разбор, генерацию гипотез, прогоны на GPU и подготовку фигур. Привязка к OpenAI-совместимому интерфейсу и DeepSeek как дефолту означает, что пользователь не заперт у одного вендора и может увести весь пайплайн на локальный инференс. Насколько это работает на практике и какие модели реально тянет, из описания не следует — статус проекта и наличие внятной документации нужно проверять по репозиторию.

🔗 Читать на github.com