OmniScientist

Что такое OmniScientist

OmniScientist – сервис для автоматизации научного анализа данных. Логика простая: берете папку с исходными материалами, указываете направление исследования, а на выходе получаете готовую статью в PDF, с графиками, таблицами и ссылками на источники. Эта нейросеть способна работать с разными типами данных и в разных научных дисциплинах, а не только с текстом.

Главная идея тут не в том, чтобы просто сгенерировать текст статьи, а в проведении полного исследовательского цикла: сформировать гипотезу, написать код для анализа, запустить его, посмотреть на графики и результаты – и только потом сформулировать выводы. Каждое число в итоговой статье привязано к конкретному запуску кода, который его произвел. Именно это отличает OmniScientist от сервисов, которые просто красиво пишут текст по промпту.

Проект открытый и распространяется по лицензии MIT: исходный код лежит на GitHub, а архитектура подробно описана в технической статье на arXiv. Важно понимать: это не облачный сервис с подпиской, а программа, которую нужно установить и запустить на своей машине. Данные при этом никуда не отправляются – кроме запросов к выбранной модели.

Полезен он будет исследователям и аналитикам, которые работают с сырыми данными – сейсмическими сигналами, медицинскими изображениями, химическими структурами, табличными наборами. Заточен сервис и под тех, кто уже пользуется агентными средами разработки типа Claude Code, Cursor или Codex, и хочет добавить туда научный research-процесс. Отдельно стоит упомянуть: для работы нужен собственный API-ключ к языковой модели, сам сервис доступа к моделям не предоставляет, а лишь подключается к внешним.

Ключевые возможности OmniScientist

Автономный цикл исследования – от гипотезы до PDF

OmniScientist проходит весь путь научной работы самостоятельно: смотрит на исходные данные, выдвигает гипотезу, пишет код для её проверки, запускает его и анализирует результаты – включая графики.

Так решается проблема разрыва между «сырыми данными» и «готовым выводом»: обычно исследователю приходится вручную писать скрипты, перепроверять цифры, сверять их с черновиком статьи. Здесь вся эта рутина автоматизирована, а каждый шаг фиксируется в журнале выполнения.

На практике выглядит это так: пользователь указывает папку с данными, формулирует направление исследования, а дальше в интерфейсе стримится весь процесс – от промежуточных скриптов до итогового matplotlib-графика.

В качестве примера можно привести реальный кейс: агент проанализировал сейсмические записи из набора STEAD, помеченные как «шум», и обнаружил, что 21,7% из них на самом деле содержат когерентный сигнал при уровне ложных срабатываний 1%. Статья по этому кейсу лежит в папке papers/ – вместе с оценками, которые она получила при peer-review.

Работа с разными типами данных (omni-modal)

Сервис принимает на вход не только текст и таблицы, но и другие форматы, характерные для естественных наук:

Это снимает ограничение, характерное для многих текстовых ИИ-инструментов: они умеют работать только со структурированными данными или требуют предварительного описания графиков словами.

В примерах показаны конкретные случаи: конформер молекулы, построенный по SMILES из химического кейса, и 64³ КТ-объём, прочитанный как облако точек. Оба артефакта появляются в журнале исследования прямо во время выполнения расчета.

За интерпретацию визуальных и сенсорных данных отвечает отдельная модель (см. следующий пункт), а не основная. От этого зависит, какие именно модели нужно подключить для полноценной работы с разными модальностями.

Provenance: происхождение каждой цифры в статье

Каждое число в черновике статьи связано ссылкой с конкретным запуском кода, который его произвел. Специальный механизм проверки, «gate», читает не текст статьи как таковой, а журнал выполнения и допускает черновик к публикации только после того, как все числа в нём подтвердились в stdout реальных запусков.

Эта функция решает проблему доверия к результатам, сгенерированным моделью. Типичный риск ИИ-инструментов для научной работы в том, что модель может «нарисовать» правдоподобную, но не подтвержденную цифру. Здесь это исключено на уровне архитектуры: если результат не прошел через реальный запуск, в статью он просто не попадет.

Если проверка находит нулевой результат (null result), процесс возвращается на этап переформулирования гипотезы, а не просто отбрасывает данные. Ссылки на источники в статье тоже не выдуманы – они резолвятся в реальном времени через OpenAlex и Crossref, поэтому у каждой цитаты есть настоящий DOI.

Две модели для двух задач

Архитектура строится на разделении ролей между двумя моделями: «backbone» отвечает за рассуждения и написание текста, а отдельная модель-«sidecar» подключается тогда, когда нужно интерпретировать визуальные данные – изображения, waveforms, видео, облака точек.

Такое разделение решает практическую проблему – не все модели одинаково хорошо справляются и с текстовыми рассуждениями, и с восприятием изображений. Значит, под каждую задачу можно подобрать подходящую модель отдельно.

В десктопной версии обе модели настраиваются через диалог настроек, который перед сохранением проверяет конфигурацию живым запросом. Транспорт – то, как сервис обращается к модели – определяется по её названию, а адрес и ключ доступа пользователь указывает сам. То есть тут действует модель «bring your own key».

Локальный workspace и desktop-приложение

Весь процесс исследования отображается в локальном веб-приложении. Адресная строка на скриншотах показывает 127.0.0.1 – то есть никакого внешнего сервера, это и есть всё «развертывание».

Такой подход решает вопрос конфиденциальности: если работа идет с чувствительными наборами данных, например, медицинскими изображениями, они никуда не уходят, кроме запросов к модели, которую вы сами подключили.

На практике каждый этап исследования стримится в интерфейс в реальном времени, а каждый артефакт: график, скрипт, таблица, итоговая статья – появляется в журнале сразу после создания. Интерфейс адаптируется под мобильный экран, сворачиваясь в одну колонку, а закрытие вкладки браузера останавливает выполнение запуска.

Установка и работа через терминальный агент

OmniScientist можно использовать как самостоятельный терминальный агент – устанавливается он одной командой ( curl для macOS/Linux, irm для Windows). Либо подключить его как инструмент к уже существующим средам с поддержкой shell: Claude Code, Cursor, Codex и подобным.

Так решается задача интеграции – пользователю не нужно менять привычную среду разработки, если она уже поддерживает выполнение команд в терминале.

Для тех, кто предпочитает скриптовать и воспроизводить запуски программно, есть отдельный engine/ – референсная реализация, описанная в техническом отчете, где модель задается переменной OMNIST_MODEL , а транспорт определяется автоматически по названию модели.

Хранение и обработка учетных данных

Ключи доступа к моделям хранятся в файле ~/.omnisci/env (или %USERPROFILE%\.omnisci\env на Windows) в формате KEY=VALUE , по одному значению на строку.

Это закрывает вопрос безопасности: файл читается строго как данные, а сами значения удаляются из переменных окружения при старте программы, чтобы не попасть в код анализа, который агент пишет самостоятельно.

Разработчики также прямо описывают, какой трафик уходит за пределы локальной машины:

Открытый исходный код и примеры готовых статей

Проект полностью открыт: код лежит на GitHub под лицензией MIT, принимаются issue и pull request, а добавление новой научной дисциплины требует всего одного файла series.json в engine/examples/ .

Это решает проблему прозрачности для тех, кто хочет проверить, как именно работает нейросеть, или адаптировать её под свою узкую предметную область, а не просто доверять готовому продукту вслепую.

В папке papers/ лежат пять примеров статей, написанных сервисом от начала до конца, с реальными оценками peer-review. Каждый релиз проверяется через единый файл SHA256SUMS , который сверяют установочные скрипты перед тем, как поставить программу на компьютер пользователя.

Условия использования OmniScientist

OmniScientist распространяется бесплатно по лицензии MIT – исходный код доступен на GitHub, а архитектура описана в технической статье на arXiv. Это не облачный сервис с подпиской: программу нужно скачать и запустить на собственном компьютере.

Для работы потребуется собственный API-ключ к языковой модели – сам OmniScientist доступа к моделям не предоставляет и работает по модели «bring your own key». Это значит, что дополнительные расходы на использование модели (backbone и, при необходимости, sidecar) пользователь оплачивает отдельно, напрямую провайдеру модели.