Hoàn toàn miễn phí, Bản thay thế mã nguồn mở Claude Science, DeepSeek/GLM muốn dùng cái nào tùy ý

marsbitОпубліковано о 2026-07-07Востаннє оновлено о 2026-07-07

Анотація

Cộng đồng học thuật phấn khích! Chỉ chưa đầy một tuần sau khi Anthropic ra mắt Claude Science - nền tảng AI chuyên biệt cho nghiên cứu khoa học, cộng đồng mã nguồn mở đã có bản thay thế của riêng mình: OpenScience. Dự án này, được phát triển bởi nhóm Synthetic Sciences (YC W26), hướng đến mục tiêu tương tự: một bàn làm việc AI toàn diện hỗ trợ nhà nghiên cứu từ tìm kiếm tài liệu, tạo giả thuyết, chạy thí nghiệm đến viết báo cáo. Tuy nhiên, điểm khác biệt cốt lõi là OpenScience hoàn toàn **"model-agnostic"** (không phụ thuộc mô hình). Thay vì bị khóa vào một nhà cung cấp mô hình duy nhất như Claude Science, người dùng OpenScience có thể tự do lựa chọn và kết nối với bất kỳ AI model nào thông qua API Key: Claude, GPT, DeepSeek, GLM, hay thậm chí chạy mô hình cục bộ qua Ollama để đảm bảo tính bảo mật. Nền tảng này cho phép chuyển đổi mô hình linh hoạt ngay trong một phiên làm việc. Về tính năng, OpenScience tuyên bố tích hợp sẵn hơn **250 gói kỹ năng nghiên cứu** (nhiều gấp 4 lần Claude Science theo bài viết), bao phủ các lĩnh vực như sinh học tính toán, hóa tin học và máy học, tất cả đều có thể chỉnh sửa và mở rộng. Cài đặt được cho là đơn giản chỉ với một dòng lệnh. Dự án nhấn mạnh tinh thần mở và khả năng tiếp cận, hoạt động hoàn toàn miễn phí khi sử dụng API Key riêng. Nhóm cũng cung cấp một nền tảng được quản lý tên là Atlas cho những ai muốn thuận tiện hơn. Điều đáng chú ý là trong tài liệu, OpenScience đã đưa ra một tuyên bố rõ ràng về việc không có sự liên kết hay đư...

Giới học thuật vui mừng điên cuồng!!

Chưa đầy một tuần sau khi Claude Science của Anthropic ra mắt, cộng đồng mã nguồn mở đã trình làng đáp án của riêng mình.

Một nhóm nghiên cứu AI được ươm tạo bởi YC, đã giao nộp phiên bản thay thế mã nguồn mở "Claude Science" mang tên OpenScience.

Cũng là một bàn làm việc AI nghiên cứu khoa học toàn trình, bao phủ từ tìm kiếm tài liệu, tạo giả thuyết, thực nghiệm mã nguồn đến viết luận văn, nhưng nó không ràng buộc với bất kỳ nhà cung cấp mô hình nào.

DeepSeek, GLM, Claude, GPT...... Không quan trọng trong nước hay ngoài nước, bạn muốn dùng cái nào thì dùng cái đó.

Hơn nữa, dự án áp dụng giấy phép Apache 2.0 thân thiện nhất với nhà phát triển, chỉ cần một lệnh là có thể cài đặt.

Tin tức vừa công bố, dự án lập tức leo lên top tìm kiếm X. Mọi người đồng loạt nói thẳng:

Đây mới là hình dáng mà scientific AI nên có. (Công ty A: Cứ gọi tên tôi ra là được).

Claude Science tuy mạnh, nhưng không dùng được...

Khoảng 5 ngày trước, tại một sự kiện kín của MIT Technology Review, Anthropic chính thức ra mắt Claude Science.

Đây là một nền tảng làm việc AI chuyên biệt dành cho các nhà khoa học, cung cấp các công cụ và gói phần mềm khác nhau mà các nhà nghiên cứu thường dùng nhất.

Ví dụ, trước đây một nhà nghiên cứu để hoàn thành một nghiên cứu, phải tìm tài liệu trên PubMed, viết mã bằng Jupyter, chạy thống kê bằng R, kết nối SSH với cụm máy chủ để gửi nhiệm vụ, sau đó dùng các công cụ khác nhau để vẽ đồ thị, viết luận văn.

Chuyển đổi qua lại giữa hàng chục cửa sổ, chỉ riêng việc "chuyển đổi" giữa các công cụ đã đủ tiêu hao rất nhiều tinh lực.

Còn điều Claude Science muốn làm, chính là nhét tất cả những thứ này vào cùng một bàn làm việc.

Cụ thể nhìn, nó đã thực hiện vài tích hợp quan trọng:

Ở tầng cơ sở dữ liệu và chuỗi công cụ, tích hợp sẵn hơn 60 bộ kết nối cơ sở dữ liệu khoa học và gói kỹ năng được cấu hình sẵn, bao phủ các lĩnh vực nghiên cứu thông thường như genomics, phân tích tế bào đơn, proteomics, sinh học cấu trúc, tin học hóa học.

Bạn dùng ngôn ngữ tự nhiên đặt câu hỏi, Agent chuyên nghiệp sẽ tự động truy vấn xuyên cơ sở dữ liệu, các cơ sở dữ liệu như UniProt, PDB, Ensembl, ChEMBL, GEO không cần phải lật từng cái một.

Nó còn kết nối với bộ công cụ BioNeMo Agent Toolkit của NVIDIA, có thể kết nối trực tiếp với các mô hình khoa học sự sống như Evo 2, Boltz-2, OpenFold3.

Ở tầng thực thi, nó giới thiệu kiến trúc đa tác tử thông minh (multi-agent).

Agent chính chịu trách nhiệm lập kế hoạch tổng thể, Agent phụ xử lý song song các nhiệm vụ khác nhau, và còn có một Reviewer Agent, chuyên chịu trách nhiệm kiểm tra sự thật, ví dụ như kiểm tra trích dẫn, xác minh kết quả tính toán, đánh dấu lỗi tiềm ẩn.

Kết quả được tạo ra không chỉ là đầu ra văn bản, các nội dung như cấu trúc protein 3D, đường ray trình duyệt bộ gen (genome browser track), công thức cấu trúc hóa học, nó đều có thể hiển thị gốc (native render).

Hơn nữa, mỗi biểu đồ đều sẽ đồng thời lưu giữ mã tạo, môi trường chạy, hướng dẫn bằng ngôn ngữ tự nhiên và lịch sử hội thoại đầy đủ.

Trong một số tình huống, nhà khoa học thậm chí có thể trực tiếp dùng một câu để sửa đồ thị, hệ thống tự động viết lại mã nguồn cơ bản.

Ở tầng sức mạnh tính toán, Claude Science có thể trực tiếp kết nối với cơ sở hạ tầng sẵn có trong phòng thí nghiệm của bạn.

Máy tính xách tay, máy chủ Linux, nút đăng nhập cụm HPC đều được, thông qua kết nối SSH hoặc tài khoản Modal để gọi GPU đám mây theo nhu cầu, từ mở rộng từ một card lên đến hàng trăm card.

Tập dữ liệu quy mô lớn chỉ cần tải một lần, dữ liệu nhạy cảm không cần rời khỏi hệ thống của riêng bạn, chỉ có ngữ cảnh cần thiết cho mỗi bước phân tích mới được gửi đến Claude.

Người dùng nội bộ thử nghiệm sớm đã chạy ra được một số trường hợp thực tế.

Nhà khoa học thần kinh Jérôme Lecoq của Viện Nghiên cứu Allen đã dùng nó để xây dựng một "mẫu đánh giá tính toán" đa tác tử, bao gồm khoảng 20 kỹ năng tùy chỉnh, để Agent phụ đọc hàng nghìn bài báo, trích xuất quan điểm cốt lõi và dữ liệu định lượng, sau đó tạo bài tổng quan từng chương.

Cứ nói vậy đi, trước đây viết một bài tổng quan cần hai năm, giờ trên tay anh ấy đã có khoảng 10 bài —

Nhiều bài vượt quá 100 trang, và tất cả trích dẫn đều được Reviewer Agent kiểm tra xác minh.

Còn Stephen Francis thuộc Trung tâm U não UCSF dùng nó để nghiên cứu dịch tễ học phân tử u thần kinh đệm, chạy phân tích biến thể germline.

Ông nói Claude Science đã nén thời gian vốn cần có xuống còn một phần mười, và nhóm của ông đã xác minh kết quả độc lập, xác nhận phân tích vừa nhanh vừa đáng tin cậy.

Kết hợp với đánh giá về năng lực nghiên cứu AI của nhà vật lý Harvard Matthew Schwartz hồi tháng 3 năm nay, hiện tại trình độ của Claude khoảng tương đương với một nghiên cứu sinh năm thứ hai.

Trên blog chính thức của Anthropic, ông đã xuất bản một bài viết khách mời "Vibe Physics: The AI Grad Student", trong đó ghi lại toàn bộ quá trình ông dùng Claude Opus 4.5 để hoàn thành một bài luận vật lý lý thuyết.

Lúc đó kết luận ông đưa ra là:

Năng lực nghiên cứu của AI hiện tại khoảng tương đương với một nghiên cứu sinh năm thứ hai, có thể làm việc, không than mệt, nhưng mỗi bước đều cần người hướng dẫn giám sát.

Phán đoán này sau đó cũng được Anthropic viết vào tài liệu kỹ thuật của Claude Science, như một điểm hiệu chuẩn để định vị sản phẩm.

Tuy nhiên, Claude Science hiện có vài hạn chế cứng:

Chỉ hỗ trợ macOS và Linux

Chỉ dành cho người dùng trả phí Pro/Max/Team/Enterprise

Trên nền tảng chỉ có thể dùng mô hình của riêng Claude

Vài ngưỡng cửa này chồng lên nhau, đặc biệt đối với các nhóm nghiên cứu trong nước, Claude Science trở thành thứ "có thể ngắm nhìn nhưng không thể chạm tới".

Tin tốt: Bản thay thế mã nguồn mở đã tới

Nhắm vào các hạn chế trên, dự án mã nguồn mở OpenScience ra đời.

Nhóm phía sau có tên Synthetic Sciences, thành lập tại San Francisco năm 2025, vừa tốt nghiệp đợt mùa đông YC 2026 năm nay.

Tầm nhìn của nhóm sáng lập không nhỏ, muốn tạo ra một nền tảng, để các nhà khoa học ủy thác trực tiếp nhiệm vụ nghiên cứu phức tạp cho "AI đồng nghiệp khoa học" (AI co-scientists), từ tổng quan tài liệu đến tạo giả thuyết đến thực thi thực nghiệm đến viết luận văn, toàn bộ chuỗi liên kết đều để AI tự chủ chạy thông.

Nội bộ họ có một phán đoán cốt lõi:

Mô hình cơ bản khoa học cần phải có "khiếu nghiên cứu" (research taste) thực sự, và khiếu nghiên cứu này không thể có được chỉ bằng việc đơn thuần chất đống tham số, phải đi bằng hai chân sản phẩm và mô hình, dùng sản phẩm để thu thập dữ liệu quá trình nghiên cứu chất lượng cao, sau đó dùng những dữ liệu này để huấn luyện ra mô hình có khiếu nghiên cứu.

OpenScience, chính là sản phẩm đầu tiên được triển khai theo tuyến đường này.

Mặc dù sứ mệnh của OpenScience giống với Claude Science, nhưng chúng có một khác biệt căn bản:

Không phụ thuộc vào mô hình cụ thể (model-agnostic).

Nói theo lời của chính Synthetic Sciences:

Khoa học AI nên là mở, không nên để một công ty độc quyền công cụ mà con người dùng để khám phá phát hiện, càng không nên để nó quyết định ai có tư cách sử dụng.

Vì vậy trên nền tảng này, Anthropic, OpenAI, Google, DeepSeek, GLM...... Chỉ cần bạn có API Key trong tay, đều có thể kết nối trực tiếp.

Thậm chí có thể chạy mô hình cục bộ, triển khai bằng Ollama, dữ liệu không cần rời khỏi máy của bạn một byte nào.

Key của bạn lưu tại cục bộ, yêu cầu kết nối thẳng nhà cung cấp mô hình, không qua bất kỳ máy chủ trung gian nào.

Hơn nữa, OpenScience hỗ trợ chuyển đổi mô hình theo yêu cầu.

Cùng một bàn làm việc, bạn có thể bước này dùng Claude, bước sau đổi sang DeepSeek, không cần thay đổi bất kỳ cấu hình nào.

Về mặt chức năng, OpenScience thậm chí còn mạnh mẽ hơn Claude Science —

Tích hợp sẵn hơn 250 gói kỹ năng nghiên cứu, gấp hơn 4 lần Claude Science, bao phủ các hướng như ML, sinh học tính toán, tin học hóa học, và tất cả đều có thể đọc, có thể chỉnh sửa, có thể mở rộng.

Cài đặt cũng rất đơn giản, một dòng lệnh terminal:

Mở là dùng, bàn làm việc tự động bật lên trong trình duyệt. Lần chạy đầu tiên chọn nguồn mô hình, điền API Key, là có thể bắt đầu làm việc.

Muốn cài đặt toàn cục cũng được:

Nếu ngại phiền phức với việc cấu hình Key, nhóm còn cung cấp một nền tảng được quản lý Atlas —

Nạp tiền vào ví trực tiếp gọi các mô hình tiên phong của nhiều nhà cung cấp, không cần cấu hình Key từng cái, còn có sơ đồ nghiên cứu được lưu trữ lâu dài và sức mạnh tính toán đám mây.

Nhưng Atlas này không bắt buộc, bạn dùng Key của mình chạy OpenScience, vẫn có thể hoàn toàn dùng miễn phí, không có ngưỡng cửa.

One More Thing

Điều thú vị là, lật đến phần dưới cùng trang GitHub của OpenScience, bạn sẽ thấy một tuyên bố đặc biệt được thêm vào:

OpenScience là một dự án độc lập. Nó không liên kết, không được chứng thực hoặc tài trợ bởi Anthropic. “Claude” là nhãn hiệu của Anthropic, PBC, được sử dụng ở đây chỉ để mô tả khả năng tương thích.

Dịch nghĩa, chúng tôi là dự án độc lập, không có quan hệ gì với Anthropic. Đề cập đến "Claude" thuần túy là nói về khả năng tương thích, đừng nghĩ nhiều.

Có vẻ như ấn tượng mà "tôm hùm" (ám chỉ một sự việc nào đó trong cộng đồng) để lại cho toàn bộ cộng đồng mã nguồn mở, vẫn là quá sâu sắc.

OpenClaw vài lần đổi tên trước đó, OpenScience lần này trực tiếp hàn chặt tuyên bố tách biệt quan hệ vào phiên bản đầu tiên của README.

Không vì gì khác, sống sót trước, rồi mới nói đến thay thế (doge).

Địa chỉ mã nguồn mở:

https://x.com/i/trending/2073904804829741364?s=20

Liên kết tham khảo:

[1]https://x.com/SynScience/status/2073829478393086311?s=20

[2]https://x.com/i/trending/2073904804829741364?s=20

[3]https://www.openscience.sh/

[4]https://www.anthropic.com/news/claude-science-ai-workbench

Bài viết này từ tài khoản công chúng WeChat "Quantum Bit", tác giả: Một Giọt Nước

Трендові криптовалюти

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

PancakeSwapCAKE

Пов'язані питання

QOpenScience là gì và tại sao nó được coi là phiên bản thay thế mã nguồn mở của Claude Science?

AOpenScience là một nền tảng AI nghiên cứu khoa học mã nguồn mở, được phát triển bởi Synthetic Sciences. Nó được coi là phiên bản thay thế của Claude Science vì cung cấp một quy trình làm việc AI nghiên cứu đầy đủ tương tự, từ tìm kiếm tài liệu, tạo giả thuyết, thử nghiệm mã đến viết bài báo. Điểm khác biệt chính là nó không ràng buộc với bất kỳ nhà cung cấp mô hình cụ thể nào và hoàn toàn miễn phí.

QOpenScience khác với Claude Science ở những điểm quan trọng nào?

AOpenScience khác Claude Science ở ba điểm chính: 1) **Không phụ thuộc vào mô hình (model-agnostic)**: Hỗ trợ nhiều mô hình AI như DeepSeek, GLM, Claude, GPT, cho phép dùng API Key riêng hoặc chạy mô hình cục bộ. 2) **Miễn phí và mã nguồn mở**: Sử dụng giấy phép Apache 2.0, cài đặt bằng một dòng lệnh. 3) **Hỗ trợ nền tảng**: Có thể chạy trên nhiều hệ điều hành, không giới hạn cho người dùng trả phí như Claude Science.

QLàm thế nào để cài đặt và sử dụng OpenScience?

ACài đặt OpenScience rất đơn giản. Chỉ cần chạy lệnh `npx @synscience/cli openscience` trong terminal. Lần đầu chạy, trình duyệt sẽ tự động mở giao diện làm việc, nơi bạn chọn nguồn mô hình và nhập API Key tương ứng. Bạn cũng có thể cài đặt toàn cục bằng lệnh `npm install -g @synscience/cli` và sau đó chạy `openscience`.

QClaude Science có những hạn chế gì mà OpenScience giải quyết được?

AClaude Science có ba hạn chế chính: 1) Chỉ hỗ trợ macOS và Linux. 2) Chỉ dành cho người dùng trả phí (Pro/Max/Team/Enterprise). 3) Chỉ được sử dụng các mô hình của chính Anthropic. OpenScience giải quyết tất cả các hạn chế này bằng cách: hỗ trợ đa nền tảng, hoàn toàn miễn phí và mã nguồn mở, và cho phép sử dụng bất kỳ mô hình AI nào thông qua API Key.

QMục tiêu dài hạn của nhóm Synthetic Sciences đằng sau OpenScience là gì?

AMục tiêu dài hạn của Synthetic Sciences là tạo ra một nền tảng cho phép các nhà khoa học giao phó các nhiệm vụ nghiên cứu phức tạp cho 'AI đồng nghiệp khoa học' (AI co-scientists). Họ tin rằng các mô hình khoa học cơ bản cần có 'khiếu nghiên cứu' (research taste) thực sự, thứ không thể đạt được chỉ bằng việc tăng tham số mô hình, mà cần kết hợp sản phẩm và dữ liệu quy trình nghiên cứu chất lượng cao để đào tạo.

Пов'язані матеріали

Earning $7.2 Million in One Week: How Does pump.fun Actually Make Money?

Pump.fun, a prominent Solana-based meme coin launch platform, recently disclosed a weekly protocol revenue of $7.2 million. The income primarily stems from its core businesses: the Bonding Curve mechanism, which facilitated $553 million in weekly volume, and PumpSwap, which saw $1.65 billion. The platform is allocating 50% of its net protocol revenue to buy back and burn its native PUMP token, having already burned 41.8% of the circulating supply with $3.7 million repurchased in the past week. This establishes a direct link between platform performance and token value. Beyond strong financials, Pump.fun is evolving from a simple launchpad into a broader ecosystem. Key initiatives include optimizing the user experience with faster swap times (300-400ms) and easier fiat on-ramps, which boosted daily deposit volume by 21%. It's also enhancing developer tools via Terminal and fostering community engagement through a bounty system that has distributed over $600,000 in rewards. The report signals Pump.fun's transition towards a sustainable Web3 business with diversified revenue streams, a value-accrual model for its token, and a focus on product maturity and ecosystem growth over mere meme coin hype.

marsbit40 хв тому

Earning $7.2 Million in One Week: How Does pump.fun Actually Make Money?

marsbit40 хв тому

Tiger Research: Three Strategies for Financial Institutions to Keep Up with the Tokenization Wave

Tiger Research's in-depth report analyzes the strategic choices for financial institutions entering the rapidly growing Real-World Asset (RWA) tokenization market. With the market projected to be worth $25-36 billion and a lack of complete regulatory frameworks in many jurisdictions, institutions face three options: waiting for domestic legislation, using regulatory sandboxes for limited experiments, or moving first into established overseas markets to gain a competitive edge. Tokenization is not magic; it requires meticulous preparation. Before entry, institutions must strategically plan across six core areas: choosing a jurisdiction, obtaining necessary licenses, defining the asset type, targeting the appropriate investor base, selecting settlement currencies, and designing operational requirements like custody and governance. The report outlines two main operational paths. The first is a direct jurisdictional path, establishing a legal presence in mature markets like Hong Kong, Singapore, or the U.S., often leveraging local licensed platforms to accelerate market entry. The second is a chain-native path, using platforms like Ondo or Plume that are built with regulatory compliance embedded, allowing for faster, more flexible market access without being tied to a specific jurisdiction. Ultimately, the report advises against waiting for perfect regulation. The preparation process can take 6-12 months and requires thorough legal review. Using the example of a mid-sized securities firm, it details steps from evaluating existing entities to final execution. The core message is that accumulating real-world operational experience is paramount, as the market is moving ahead and will not wait for latecomers.

Foresight News1 год тому

Tiger Research: Three Strategies for Financial Institutions to Keep Up with the Tokenization Wave

Foresight News1 год тому

‘Incentivize democracy’ at the cost of security? Inside Bonk’s $20M exploit

BonkDAO, the governance body for the memecoin BONK, suffered a $20 million exploit due to a malicious governance proposal. The attacker acquired enough BONK to create a proposal with a 1% vote threshold, which then authorized transferring 4.4 trillion BONK to their wallet. Security analysts criticized the low approval threshold and lack of safeguards like lock periods for treasury transfers, calling it an operational security failure. The incident fueled debate about balancing decentralized governance with security. Following the news, BONK's price dropped 10%, though on-chain data indicated continued accumulation by large holders since June. The project is collaborating with law enforcement and exchanges to mitigate the situation.

ambcrypto2 год тому

‘Incentivize democracy’ at the cost of security? Inside Bonk’s $20M exploit

ambcrypto2 год тому

Zoomex X Space Recap With David James and the World Cup Trading Panel

Zoomex hosted a World Cup-themed X Space featuring England goalkeeper David James and a panel of traders. The discussion, part of a charity pledge, drew parallels between goalkeeping and trading, focusing on preparation, psychology, and execution. James emphasized that pressure for a goalkeeper comes during periods of inactivity, not sustained attack, and highlighted the importance of concentration. He described two modes for penalty saves: meticulous preparation using data on shooters, and instinct, which is improved by information—a concept traders directly related to market analysis. He discussed how elite preparation turns instinct into trained execution, making spectacular saves feel like practiced outcomes rather than miracles. Errors are now treated as data for correction, not lingering ghosts. James analyzed tournament threats, noting France's exceptional speed across the pitch and suggesting that teams like Mexico and Spain, yet to concede, face a psychological test. On England's chances, James was unequivocal, predicting they would win and nominating the UEFA Foundation for the associated charity donation. The session consistently linked thorough preparation in both football and trading to controlling emotions and executing under pressure, with the core lesson being that preparation eliminates nervousness by replacing unknowns with a plan.

TheNewsCrypto2 год тому

Zoomex X Space Recap With David James and the World Cup Trading Panel

TheNewsCrypto2 год тому

Unitree's IPO Frenzy: The Real Mystery is How It Will Spend the 42 Billion Raised

Unitree, a Chinese robotics company, is set for a public listing after its IPO registration was approved by regulators. The company, which started with quadruped robots and has expanded into humanoids, plans to raise approximately 4.2 billion yuan through its offering. The article traces Unitree's rapid growth from its founding in 2016 to its current status. It highlights key milestones like the 2021 CCTV Spring Festival Gala performance, the 2023 launch of its affordable Go2 robot dog and the H1 humanoid robot, and a series of subsequent product launches. By 2025, the company reported revenue of 1.71 billion yuan, profitability, and sales exceeding 5,500 humanoid robots. As the first publicly-listed humanoid robot company on China's STAR Market, Unitree's main challenges are sustaining growth and deploying its newly raised capital effectively. The humanoid robot sector in China is crowded, with over 140 companies. Competitors include UBTech (focusing on industrial and consumer markets), Fourier, and international players like Tesla Optimus and 1X NEO. The article outlines three critical challenges for Unitree: establishing a strong second product line beyond its quadruped robots, maintaining its price advantage while ensuring quality, and successfully advancing its embodied AI capabilities through partnerships like the one with NVIDIA for the H2 Plus platform. Unitree's likely strategy involves a "developer tools + industry benchmarks" approach: using low-cost models like the R1 and G1 to build developer adoption and volume, leveraging high-end platforms for AI training, and securing pilot projects in sectors like logistics and manufacturing to build case studies. The company's future success hinges on converting its current momentum in shipments and pilot programs into sustainable, large-scale commercial contracts as the broader market evolves.

marsbit2 год тому

Unitree's IPO Frenzy: The Real Mystery is How It Will Spend the 42 Billion Raised