Hyperspace 分布式研究网络
用点对点协作让分散设备共同进行模型推理、训练与实验积累。
- Star 数
- ★ 2.1k
- 最近更新
- 今天
- License
- MIT
- 主语言
- JavaScript
- FA 评分
- 12/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Claude Code · OpenAI API
- 费用
- 免费，无需付费服务
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 拥有多台笔记本、工作站或小型 VM 的研究小组，希望以 Pod 汇聚设备并在成员间路由已加载的 GGUF 模型。
- 不适合
- 需要稳定可复现结果、不接受未经验证排行榜数据的团队
- 没有 GPU 或不愿长期后台运行守护进程的用户
- 对隐私敏感、不愿让数据经 P2P 网络与第三方 API 流转的团队
这个 Agent 能做什么，适合哪些场景？
Hyperspace 是一个实验性分布式 AGI 研究网络，其 GitHub 仓库用于保存自主节点提交的实验结果、排行榜和网络快照。节点通过 libp2p GossipSub 传播实验发现，并使用 Loro CRDT 同步机器学习、搜索、金融、技能和公益项目五类排行榜。它提供浏览器加入方式和 Hyperspace CLI；CLI 可运行后台守护进程、使用原生 CUDA/Metal，并可通过本机 OpenAI 兼容接口提供聊天、模型和嵌入服务。训练部分采用 DiLoCo：各节点本地训练后，通过 P2P 网络交换压缩后的 LoRA 权重增量。仓库同时承担持久化档案角色，按节点分支保存实验记录，并在 network-snapshots 分支发布每小时 JSON 快照。
节点运行实验并将结果通过 GossipSub 广播；Loro CRDT 将最佳结果汇聚为五份可收敛的排行榜状态。执行 hyperspace train 可加入下一轮分布式训练，执行 hyperspace train --solo 可在本地数据上训练；训练工作器会启动 Python sidecar，并通过 WebTorrent 分发工作器和模型权重。Pod 使用 hyperspace pod create、hyperspace pod invite、hyperspace pod members 和 hyperspace pod models 组建私有设备网格，可在成员设备间路由模型推理并共享部分提供商密钥及预算。节点还可在 http://localhost:8080/v1 暴露 /chat/completions、/models 和 /embeddings；结果最终归档为 projects/<project>/agents/<peerId>/ 下的 run JSON、Markdown 报告、best.json 和 JOURNAL.md。
- 拥有多台笔记本、工作站或小型 VM 的研究小组，希望以 Pod 汇聚设备并在成员间路由已加载的 GGUF 模型。
- 希望参与分布式 LoRA 训练的个人算力贡献者，可通过 hyperspace train 加入下一轮网络训练。
- 需要在本机提供 OpenAI 兼容聊天、模型与嵌入端点的 AI 应用开发者。
- 研究自治实验演化的 ML 团队，需要查看按五个研究领域组织的 CRDT 排行榜和每小时网络快照。
- 希望在自己的数据上运行本地训练、但不加入网络训练轮次的实验者，可使用 hyperspace train --solo。
如何安装或部署这个 Agent？
安装 CLI：
curl -fsSL https://agents.hyper.space/api/install | bash加入浏览器节点可访问 https://agents.hyper.space。安装后可用 hyperspace start 启动后台模式；如要作为全节点启动，文档给出的命令是 hyperspace start --chain-role fullnode。来源未说明注册账户、API 密钥或最低运行时版本；Pod 的共享提供商密钥仅在成员选择共享 OpenRouter、Groq 或 Together 密钥时涉及。
如何使用这个 Agent？
创建私有集群：
hyperspace pod create "my-lab"
hyperspace pod invite
hyperspace pod members加入训练：
hyperspace train仅本地训练：
hyperspace train --solo自动选择并下载模型：
hyperspace models pull --auto本机 API 的基础地址为 http://localhost:8080/v1，可用端点为 /chat/completions、/models 和 /embeddings。
这个 Agent 有哪些优点和局限？
- 将 GossipSub、Loro CRDT 与 GitHub 归档组合为实时传播、最终收敛和持久留档三层协作链路。
- DiLoCo 训练支持分散节点本地训练后交换压缩 LoRA 增量，README 描述 SparseLoCo 与 Parcae gradient pooling 合计可将每轮数据从 5.5 MB 压至 28 KB。
- 同一网络覆盖浏览器节点、CLI 后台守护进程和 Pod 私有网格，并提供本机 OpenAI 兼容 API。
- 每个节点的实验结果有固定的 JSON、Markdown、best.json 与 JOURNAL.md 归档结构，且网络快照可直接读取。
- 项目自称处于 Day 1 的实验阶段，README 中的网络规模、实验效果和收益估计不等同于经过独立验证的性能承诺。
- 网络快照明确标注为原始 CRDT 状态，未做统计显著性检验，采用排行榜结果前需要自行评估。
- 浏览器模式仅支持受限 WebGPU 和小于 4B 的模型；完整 CUDA/Metal、较大模型和后台常驻依赖 CLI。
- 分布式训练、模型分发和协作依赖 P2P 网络、GossipSub、WebTorrent 及 Python sidecar；README 未提供故障恢复以外的完整运维要求。
- 共享 OpenRouter、Groq 或 Together 密钥时需要由 Pod 成员自行管理共享和每成员预算的安全边界。
这个 Agent 与同类方案有什么区别？
仓库将浏览器与 CLI 作为两种运行方式对比：浏览器可即时启动，但使用受限 WebGPU、面向小于 4B 的模型且必须保持标签页开启；CLI 使用原生 CUDA/Metal、可运行 32B 以上 GGUF 模型并作为后台守护进程运行。其连续假设—训练—论文—同行批评流程受 Karpathy 的 autoresearch 启发，但额外加入了 P2P GossipSub、CRDT 排行榜和 GitHub 归档。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Hyperspace 分布式研究网络 当前 | 12 · 缺口较多 | 命令行工具免费 | ★ 2.1k | 今天 | JavaScript | Claude Code · OpenAI API |
| Metaflow | 77 · 表现良好 | 代码库 / SDK免费 | ★ 10k | 12 天前 | Python | — |
| AgileRL 强化学习库 | 71 · 存在缺口 | 代码库 / SDK免费版 + 付费版 | ★ 951 | 1 天前 | Python | — |
| Relax 全模态强化学习引擎 | 64 · 存在缺口 | 命令行工具免费 | ★ 630 | 3 天前 | Python | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示仓库主要是一个宣传性README，没有提供任何关于权限最小化、用户确认、数据流透明、敏感数据处理、依赖安全、外部影响、回滚或来源归属的具体实现细节。所有信任相关标准均未得到支持，因此得分为0。
README中关于网络状态和训练结果的描述存在不一致（例如，快照时间戳为2026年3月，但报告日期为2026年4月），且没有提供依赖可用性或失败消息的细节。因此，自我一致性得分为1，其他标准为0。
README描述了多种使用场景（浏览器、CLI、AI代理），但缺乏能力边界和触发精度的细节。环境适配方面提到了不同硬件和操作系统，但未提供具体配置。因此，受众和场景得分为1，环境适配得分为1，其他为0。
README提供了安装说明和示例，但缺少已知限制、命名稳定性、维护责任和版本变更日志的详细信息。许可证为MIT，但未提供版本控制或变更日志的细节。因此，信息架构、安装说明、示例和FAQ、许可证得分为1或2，其他为0。
README描述了输出格式（如快照、实验报告），但未提供实际输出示例或成本效益分析。因此，输出可用性和边际价值得分为1，成本效益为0。
README中的许多声明（如分布式训练结果、网络规模）没有提供可验证的证据或来源。没有区分事实和推断。因此，所有可验证性标准均为0。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 仓库主要是一个宣传性README，缺乏实际代码和实现细节，无法验证其声称的功能。
- 存在时间戳不一致（快照日期为2026年3月，但报告日期为2026年4月），可能表明数据不准确。
- 未提供任何安全或隐私措施的具体实现，用户应谨慎对待其声称的P2P网络和分布式训练。
常见问题
是否需要中心服务器来协调实验？
训练结果能否直接视为可靠研究结论？
加入网络需要 GPU 吗？
它能提供兼容 OpenAI 的接口吗？
http://localhost:8080/v1，以及 /chat/completions、/models 和 /embeddings 端点。