HARTOS

HARTOS - "Hevolve Hive Agentic Runtime" - это Python-сервис, который раздаёт локальный инференс LLM на порту :6777 через OpenAI-совместимый API, объединяется в федерацию с другими узлами через peer-to-peer WebSocket без брокера и поставляется в трёх вариантах, один из которых - образ NixOS, загружающийся на "железе" с собственным композитором Wayland. Главный посыл проекта - "демократичный передовой интеллект без привязки к вендорам": ИИ уровня frontier models, которому не нужны дата-центры и который никому не принадлежит.

Разрыв между этими двумя описаниями велик. Необычно то, что в README об этом говорится прямо, подробно и куда более открыто, чем принято в большинстве проектов. Критическое чтение сводится в основном к тому, чтобы отделить утверждения, от которых авторы уже отказались, от тех, что ещё остаются в силе.

Что работает на самом деле

Инференс построен на llama.cpp с весами GGUF, поэтому CUDA, ROCm, Metal, Vulkan и обычный CPU - вполне рабочие варианты. Что именно загружать, решают два модуля: core/gpu_tier.py определяет уровень "железа", а integrations/service_tools/vram_manager.py ведёт бюджет памяти под каждую модель, проверяет вместимость перед загрузкой и распределяет модели по категориям: gpu, cpu-offload или cpu-only. Видеокарта с CUDA и 10+ ГБ памяти позволяет включить speculative decoding с черновой моделью на 0.8B параметров, что даёт прирост скорости ответов примерно на 40%. При объёме от 4 до 10 ГБ основная модель работает на GPU в одиночку. Без CUDA чат запускается на CPU с моделью на 0.8B или 2B, а model_catalog.py рассматривает main как слот, куда можно подставить любой GGUF. Для локальной 7B требуется 16 ГБ оперативной памяти и GPU. По поводу громкого заголовка "достаточно 8 ГБ" README честно признаёт: с 8 ГБ получится запустить лишь скромную версию.

Поверхность API стандартная, так что существующие инструменты подключаются без изменений:

curl -X POST http://localhost:6777/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "hevolve", "messages": [{"role": "user", "content": "Hello"}]}'

Федерация устроена интереснее. Модуль hive_capability_advertiser анонсирует возможности узла, а hive_expert_discovery регистрирует входящие объявления; оба подключаются при старте. Если локальная модель не справляется с запросом, шаг диалога можно передать соседнему узлу с более крупной моделью - пир берёт обработку на себя целиком, а не просто проверяет черновик. Анонсирование включается отдельно для каждого узла (HEVOLVE_HIVE_ADVERTISE=1 плюс публичный endpoint), а если никто ничего не анонсирует, система переключается на локальный режим. В README аккуратно пресекается очевидное заблуждение: сеть передаёт весь шаг диалога целиком, а не шардирует одну модель между машинами. Поэтому рой слабых узлов не превращается в большую модель, и для сложного вопроса по-прежнему требуется мощная модель.

Топология узлов не зависит от уровня "железа" и контролируется ключами, а не конфигурацией. Уровень flat объявляется узлом самостоятельно; для regional требуется сертификат от центрального узла; для central нужен мастер-ключ Ed25519. Узел, заявляющий один из этих уровней без подтверждения, сбрасывается в flat с записью причины в лог (security/key_delegation.py:103).

Установка - наименее проработанная часть. В requirements.txt зафиксирована 191 зависимость, включая torch, torchvision, transformers, onnxruntime и scipy. У 24 из них нет wheel-пакетов под cp312, поэтому на Python 3.12 установка падает с ошибкой "No matching distribution found", что больше похоже на проблему с индексом пакетов, чем на несовместимость версий. Нужно использовать 3.10 или 3.11; в issue #92 отслеживаются минимально совместимые версии. Пакета в PyPI нет.

Откуда взялась "ОС" и насколько далеко всё зашло

Один исходный код упаковывается тремя способами в зависимости от топологии. В режиме flat он работает внутри Nunba (пользовательского десктопного приложения) как обычная программа для Windows, macOS или Linux. В режимах regional или central он запускается автономно в Docker - именно так развёртываются узлы, с которыми связываются остальные. Как HART OS проект собирается с помощью Nix и загружается на "голом железе". И только третий вариант является ОС.

В README честно сказано: почти всё, что люди понимают под "неизменяемой ОС", даёт NixOS, а не этот проект - поколения конфигураций, откат одной командой и хранилище только для чтения взяты из апстрима, и всё это доступно в обычной NixOS прямо сейчас. Поверх этого надстроен конвейер обновлений (BUILD, TEST, AUDIT, BENCHMARK, SIGN, CANARY, DEPLOY), в котором canary-релиз сам откатывает поколение при ухудшении метрик, а этап подписи требует мастер-ключа, хранящегося у человека (nixos/modules/hart-ota.nix).

Статус композитора лучше всего показывает привычку проекта раскрывать все детали. Он собирается со связанным Smithay, в CI тесты зелёные от 2026-07-26. Написано девятнадцать VM-тестов nixosTest, покрывающих initrd, сторожевые таймеры отрисовки, снижение уровней производительности и аварийный TTY - и в собственном документе IS_IT_AN_OS.md прямо сказано, что тесты объявлены, но не проходят, потому что набор запускается только вручную и ни разу не завершался успешно. Авторский комментарий: написанный тест для initrd лишь показывает намерения авторов, а не то, что загрузка действительно работает.

Если воспринимать это буквально: на момент этого ingest'а нет опубликованных подтверждений того, что HART OS вообще загружается. Слово "ОС" здесь обещает то, чего код ещё не умеет, и авторы прямо заявляют об этом на странице, ссылка на которую есть в README.

Связка с Claude Code

hart-copilot переносит в Claude Code внутри рабочего каталога с возможностью записи на свежей ветке, причём ограничения заданы структурно, а не через системный промпт: Nix store доступен только для чтения, поэтому агент для написания кода не может переписать работающую систему на лету, и ничто в этом пути не трогает main. Слияние веток, публикация OTA-обновлений и подпись релизов остаются за человеком. Модуль собран, flake-eval проходит успешно, команда hart hive connect доступна, поэтому сессия может зарегистрироваться в диспетчере роя. Чего пока не произошло: ни один работающий диспетчер не передал ему задачу, а авторизация не сохраняется после перезагрузки live ISO.

Использование хранилища только для чтения как границы прав - действительно хорошая идея и единственное проектное решение здесь, которое стоит перенять другим средам исполнения агентов. Файловая система берёт на себя то, за что в short-leash-ai-method отвечает дисциплина процессов.

Также предусмотрен модуль локальной vision-модели (integrations/vlm/local_computer_tool.py), который делает снимки экрана и управляет десктопом через pyautogui, позволяя узлу работать с браузером или любым GUI, выполняя распознавание прямо на устройстве.

Где обещания расходятся с реальностью

Два тезиса опережают реализацию в коде, и авторы признают это, вместо того чтобы спорить.

Обучение закрыто. Код для хеббовского, байесовского и градиентного обучения находится в приватном репозитории HevolveAI и поставляется в скомпилированном, зашифрованном виде с подписью мастер-ключом. Среда исполнения загружает этот бандл, а при его отсутствии переходит на заглушку; место стыка видно в security/native_hive_loader.py. Заявленная причина: это та часть, которую конкуренты с финансированием скопировали бы в первую очередь, и именно на ней компания зарабатывает. Из README: "мы не можем заявить без оговорок, что интеллект никому не принадлежит, потому что сегодня его частью владеет конкретная компания - мы". Лицензия Apache 2.0 покрывает всё остальное, так что сделать форк просто - но только тех частей, что открыты.

Выплат ещё никто не получал. Модуль revenue_aggregator.py:26 делит валовую выручку в пропорции 90/9/1 (участники, инфраструктура, центр), создатели приложений получают 90% от заработанного приложением, вклад оценивается по активности через формулу log1p(interactions) без коэффициента за мощность "железа", а compute_borrowing.py реализует анонсирование простаивающих мощностей пирами. Сквозных расчётов от начала до конца пока не было. Агрегатор суммирует доходы от API и рекламы; часть коллективного заработка между узлами намеренно неактивна, о чём прямо сказано в её первой строке ("Neither broadcasts, remits, nor mutates anything"). Предоставление вычислительных мощностей сегодня - это помощь в проверке механизма, а не способ заработать.

Кроме того, в VERIFICATION.md перечислено двенадцать пунктов, написанных, но ни разу не запущенных на реальном оборудовании: загружается ли образ для Pi, переключаются ли GPIO из агента, сколько токенов в секунду выдаёт 2B на Pi 4, могут ли две машины разных владельцев делить вычисления и проводить взаиморасчёты. В CI нет тестовых плат.

README как отдельный артефакт

Документ составлен непривычно качественно для проекта на такой стадии, и к этому стоит отнестись с осторожностью, а не как к комплименту. В нём заранее снимаются почти все возражения скептиков, каждое формулируется словами самого читателя, после чего повествование продолжается. Три строки собственной сравнительной таблицы помечены как "выглядящие лучше, чем есть на самом деле". В итоге честность становится инструментом убеждения, и требуется внимательность, чтобы заметить: ключевые утверждения - о том, что система загружается, что интеллект никому не принадлежит, что аренда мощностей приносит доход - остаются недоказанными даже после всех признаний. Оценивать проект стоит по VERIFICATION.md и девятнадцати незапущенным тестам, а не по прямоте текста вокруг них.

Чем проект является сегодня: добротной средой исполнения для агентов на Python с локальным инференсом, p2p-передачей контекста диалога и экспериментальной сборкой под NixOS в придачу, плюс закрытым компонентом обучения, который и представляет собой реальный продукт. Как его преподносят: операционная система, которая сделает дата-центры ненужными. Для локального инференса на собственном оборудовании под капотом всё равно работает llama.cpp, а в local-ai-is-not-opus трезво описано, на что способна и на что не способна машина такого масштаба.

Статус

Публичная альфа; в README указано, что API всё ещё меняется. Пробелы в разработке реальны (метки good first issue и help wanted содержат замеры и исключённые гипотезы, а не искусственные вводные задачи), и нехватка тестов на реальном "железе" - то, что авторы не могут закрыть своими силами.

Страница в watchlist. События, которые изменят оценку: успешный прогон девятнадцати VM-тестов, закрытие любого пункта из VERIFICATION.md на реальном оборудовании и хотя бы одна выплата, прошедшая сквозной путь через collective_earning.py.

Репозиторий: https://github.com/hertz-ai/HARTOS (Apache 2.0). Число звёзд в клипе не указано. Пользовательский клиент - Nunba; демо доступно на hevolve.ai.