Наукова лабораторія, яка вміє сама читати статті, писати код і ставити експерименти, більше не є монополією однієї компанії. Наприкінці червня 2026-го Anthropic випустила Claude Science — інструмент, що веде вченого через увесь цикл дослідження — від читання літератури до готового звіту. А вже через тиждень стартап із Сан-Франциско Synthetic Sciences випустила OpenScience — відкритий, безкоштовний інструмент, який робить те саме, але без прив’язки до однієї компанії чи однієї моделі. Важливий нюанс: це не форк і не клон від Anthropic — команда прямо пише в документації, що проєкт ніяк не пов’язаний із Anthropic і не спонсорується нею, а назву «Claude» згадує лише для пояснення сумісності.
Що таке OpenScience: не чат-бот, а повноцінний воркбенч
ОпенСайенс — це веб-воркспейс, який запускається у браузері після однієї команди в терміналі. Ти ставиш перед ним дослідницьку ціль — скажімо, «перевір цю гіпотезу про мутацію білка» чи «порівняй ці два підходи до тренування моделі» — і він проходить весь ланцюг дослідження самостійно, в одній безперервній сесії: читає релевантні статті, формулює гіпотезу, пише й запускає код, ставить експерименти на реальних обчислювальних потужностях, звертається до наукових баз даних і врешті-решті пише звіт.
Це не ще один чат-бот з доступом до інтернету, а робоче середовище з файловим деревом, редактором, терміналом і історією сесій — ти бачиш, як агент реально працює, а не отримуєш тільки фінальний відповідь. Структури, графіки, геноми рендеряться прямо в інтерфейсі, без переключення в інші програми.
Чотири агенти замість одного універсала
У Claude Science всією керує один координаційний агент, який підключає вузьких спеціалістів під капотом. OpenScience йде іншим шляхом — ти сама обираєш, з яким агентом говориш. За замовчуванням працює агент research — універсал, який береться за будь-яку тему. Але поруч нього є три вузькоспеціалізовані агенти — biology, physics і ml — кожен з яких налаштований саме під свою дисципліну. Щоб це означало на практиці: агент biology знає, які бази даних і інструменти варто викликати для роботи з білками чи генетичними варіантами, а агент ml — з якими фреймворками для тренування моделей.
Крім основних чотирьох є ще два допоміжні рівні: субагент для огляду літератури (шукає й підсумовує статті, поки головний агент зайнятий іншим) і субагент-критик для перевірки вже готового результату на слабкі місця. Є також режим планування тільки на читання — коли ти хочеш побачити, який план агент склав, не дозволяючи йому поки що торкати чи запускати код.
250+ навичок і майже 30 наукових баз під рукою
Саме тут видно, чому проєкт називають воркбенчем, а не просто обгорткою навколо ChatGPT. Навичка тут — це не абстрактне вміння моделі, а конкретний готовий рецепт для вузької задачі — наприклад, як правильно запустити донавчання моделі через DeepSpeed чи PEFT (дві популярні бібліотеки для ефективного тренування великих моделей без величезних витрат пам’яті), як підготувати датасет для клінічного дослідження чи як зібрати графік для публікації так, щоб він одразу виглядав як зі статті в журналі.
Головна цінність для науковців — це прямий доступ до майже 30 наукових баз даних як інструментів, які агент може запитати напряму в ході дослідження: UniProt і PDB (бази даних про білки та їх 3D-структури), Ensembl (геномні дані), ChEMBL і PubChem (хімічні сполуки та їх біоактивність), arXiv, OpenAlex і Semantic Scholar (наукові публікації). Раніше такий пошук означав відкрити десяток вкладок і вручну шукати по кожній окремо — тепер агент робить це сам і просто показує тобі результат.
Модель на вибір — і це головна відмінність від Claude Science
Claude Science прив’язаний виключно до моделей Anthropic — це його свідоме рішення, єдина модель означає однорідність поведінки і менше рішень для користувача. OpenScience цього обмеження не має взагалі: він працює з будь-якою моделлю від будь-якого великого постачальника — Claude, GPT, Gemini, GLM, Kimi, DeepSeek чи навіть локальна донавчена модель у тебе на комп’ютері. І перемикати між ними можна прямо в межах однієї сесії, без переналаштування чогось іншого.
По факту це означає: хочеш порівняти, як одна й та сама задача виглядає на Claude, а потім на GLM чи локально донавченій моделі — це одна зміна в селекторі моделі, а не перехід на інший інструмент. Саме це важливо для лабораторій, які хочуть порівняти якість і ціну різних моделей на одних і тих самих даних, а не переписувати весь процес під кожну нову модель.
За своїми ключами, без облікового акаунту
Встановлюється OpenScience через npm двома командами — npm install -g @synsci/openscience, потім openscience відкриває робочий простір прямо в браузері. Якщо не хочеш ставити глобально — команда npx synsci робить те саме за один виклик. Акаунт не потрібен взагалі — ти просто вставляєш свій API-ключ від будь-якого постачальника (наприклад, ANTHROPIC_API_KEY) — і запити йдуть напряму до провайдера, минаючи сервери компанії. Сама робота з власним ключем завжди безкоштовна й ніколи не закривається за підпискою.
Для тих, хто не хоче вручну возитись з ключами різних постачальників, є опційний шар під назвою Atlas — керована платформа від тієї ж Synthetic Sciences з підбіркою флагманських моделей, оплатою з передоплаченого гаманця та хмарним обчислювальним комп’ютером у хмарі. Але це саме варіант «якщо лінуватися власними ключами немає бажання» — OpenScience ніколи не вимагає підключення до Atlas.
Підводні камені OpenScience, про які варто знати
Саме тут варто зупинитися перед тим, як кидати OpenScience на реальні дані. Головне застереження розробників чесне й написане прямо в документації: агент не ізольований від системи, а механізм дозволів лише показує, що він робить — це не ізоляція в повному сенсі. Якщо тобі потрібна ізоляція (наприклад, працюєш із чужим кодом чи важливими даними) — розробники прямо радять запускати його в контейнері чи віртуальній машині.
Друге — це ще дуже молодий проєкт: перший реліз вийшов у липні 2026-го, а команда Synthetic Sciences (заснована в Сан-Франциско в 2025-му, випускники зимового набору Y Combinator 2026) ще активно доробляє інструмент. Очікувано гострі кути, які нормальні для будь-якого свіжого відкритого проекту, і варто добре перевірити результат перед тим, як будувати на ньому важливі висновки. І, звісно, ти сама відповідаєш за витрати на токени обраної моделі — без корпоративного тарифу, який усе вже закладає в ліміти.
Але як інструмент для тих, хто вже вміє писати код і хоче контролювати, яка саме модель веде його дослідження, OpenScience виглядає чесною відповіддю на монополію великих платформ: не чекати, поки один вендор вирішить, які моделі тобі дозволено використовувати, а взяти відкритий інструмент, запустити його з тими моделями, які вже є, і самому вирішувати, чи воно варте довіри.
Джерела: Synthetic Sciences — OpenScience на GitHub, MarkTechPost
