Агентный ИИ в 2026: Hermes, NVIDIA Nemotron и стек открытых моделей

Интересная граница в 2026 — это не чатбот побольше. Это агент: модель, которая планирует, вызывает инструменты, читает результаты и повторяет цикл, пока задача не будет выполнена. Чат отвечает на вопрос; агент меняет состояние системы. И в тот момент, когда модель может действовать, надёжность перестаёт быть приятным дополнением и становится всем продуктом целиком.

Два семейства с открытыми весами стали хребтом самостоятельно размещаемых агентов — Hermes от Nous Research и Nemotron от NVIDIA. Вот почему, и как выглядит стек вокруг них.

Что на самом деле требует «агентность»

Способная разговорная модель — не автоматически способный агент. Агенты живут или умирают на более узком наборе навыков:

• Function calling — выдавать корректно сформированные, валидные по схеме вызовы инструментов, каждый раз, а не в большинстве случаев.
• Структурированный вывод — надёжный JSON, который окружающий код может распарсить без эвристик.
• Управляемость — по-настоящему подчиняться system prompt, который определяет роль и границы агента.
• Рассуждение внутри цикла — планировать многошаговую работу и восстанавливаться, когда инструмент возвращает ошибку.

Модель, которая на 2 % лучше в викторинах, но на 20 % хуже в выдаче валидных вызовов инструментов, — это худший агент. Один этот факт объясняет почти весь ландшафт открытых моделей.

Hermes: открытая, управляемая рабочая лошадка

Hermes от Nous Research — это семейство fine-tune, построенных на открытых базах вроде Llama. Его репутация держится на трёх вещах, которые важны тем, кто строит агентов: сильный function calling, надёжный структурированный/JSON-вывод и намеренно нейтральное, управляемое выравнивание — он следует твоему system prompt, а не жёстко зашитой персоне вендора.

Для самостоятельно размещаемых агентов, которые должны вписаться в твои собственные ограждения и вести себя предсказуемо, эта управляемость — вся привлекательность. Ты определяешь роль; модель её придерживается. Это тот же инстинкт, что стоит за запуском моделей локально, который я исследовал раньше: контроль над поведением, а не только над весами.

NVIDIA Nemotron: рассуждение, заточенное под инструменты

Nemotron — это линейка открытых моделей NVIDIA, и модели рассуждения Llama Nemotron (в размерах Nano, Super и Ultra) явно заточены под агентную работу: многошаговое рассуждение и вызов инструментов, с рассуждением, которое можно включить для трудных задач и выключить для дешёвых. Они поставляются с открытыми весами и упакованы как микросервисы NIM для развёртывания за стандартным API.

Семейство Nemotron также отрабатывает свою зарплату в негламурном месте: генерация синтетических данных. Более крупные варианты reward и instruct широко используются для генерации и оценки обучающих данных для других моделей — включая агентов, которых ты, возможно, дообучишь сам.

Стек вокруг модели

Модель — это, пожалуй, треть работающего агента. Остальное — инженерия:

• Схемы инструментов — сжатые, хорошо описанные определения функций. Расплывчатые схемы порождают расплывчатые вызовы.
• Оркестрация — цикл планировать/действовать/наблюдать (в стиле ReAct), с лимитами шагов и таймаутами, чтобы запутавшийся агент падал быстро, а не жёг токены вечно.
• Ограждения (guardrails) — валидируй каждый вызов инструмента до его выполнения; никогда не давай модели дотянуться до продакшн-систем без контроля.
• Evals — золотой набор задач, который ты перезапускаешь при каждом изменении модели или промпта. Без evals ты не занимаешься инженерией, ты гадаешь.
• Наблюдаемость — трассируй каждый шаг. Когда агент сойдёт с рельсов в 2 часа ночи, трасса — единственное, что тебя спасёт.

Открытое vs API: как выбирать

Фронтирные API-модели по-прежнему самый простой способ завести способного агента сегодня, и для многих команд это правильное решение. Тянись к открытому стеку — Hermes, Nemotron — когда тебе нужна резидентность данных, предсказуемая стоимость при большом объёме, глубокая кастомизация через fine-tuning или просто гарантия, что модель не изменится под тобой в следующем квартале. Часто прагматичный ответ — это смесь: фронтирная модель для трудного рассуждения, открытая модель для частых, хорошо очерченных вызовов.

---

Агентный ИИ вознаграждает скучную инженерную дисциплину куда больше, чем хайп вокруг модели: сжатые инструменты, строгий цикл, реальные ограждения и evals, которым ты доверяешь. Выбери модель, по-настоящему хорошую в вызове инструментов — Hermes и Nemotron обе таковы — и трать энергию на обвязку вокруг неё. Если ты подключаешь агента к реальным бизнес-данным, начни там, где живут данные: lakehouse от Databricks и Fabric с Copilot Studio.