Hermes von Nous Research: Offene Modelle und Hermes Agent im Unternehmenskontext

Nous Research trainiert keine Grundmodelle von Grund auf, sondern setzt auf bestehende offene Basismodelle ein eigenes Nachtraining. Die Releases-Seite des Labors führt für die vierte Generation Hermes 4 auf Basis von Llama 3.1 in 405 und 70 Milliarden Parametern sowie eine kleinere Variante mit 14 Milliarden Parametern, die laut Hugging Face auf Qwen3-14B aufsetzt. Im Dezember 2025 folgte Hermes 4.3 mit 36 Milliarden Parametern auf Basis von Seed-OSS-36B.

Laut Model Card arbeiten die Modelle in einem hybriden Modus: Sie können vor der Antwort einen sichtbaren Denkabschnitt erzeugen oder direkt antworten. Nous Research betont zudem strukturierte Ausgaben nach JSON-Schema und Funktionsaufrufe in einem festen Format, für das vLLM und SGLang eigene Parser mitbringen. Hermes 4.3 wurde laut Ankündigung mit erweitertem Kontext von bis zu 512.000 Token trainiert und auf dem verteilten Trainingsnetz Psyche nachtrainiert.

Nous Research beschreibt Hermes als Modell, das sich an den Werten des Nutzers ausrichten lässt, und hebt ausdrücklich eine geringe Ablehnungsrate hervor. Für Forschung und kreative Anwendungen ist das ein gewollter Unterschied zu kommerziellen Modellen. Für ein Unternehmen bedeutet es: Die Sicherheitsgrenzen, die kommerzielle Anbieter in Modell und Plattform einbauen, muss der Betreiber selbst definieren und technisch durchsetzen.

Praktisch heißt das, einen Systemprompt mit klaren Unternehmensregeln zu hinterlegen, Eingaben und Ausgaben über eine eigene Richtlinienschicht zu prüfen und sensible Themen regelbasiert an Menschen zu übergeben. Wer Hermes für Kundenkommunikation einsetzt, sollte mit eigenen Testfällen belegen, dass unangemessene Antworten abgefangen werden. Das Modell ist steuerbar, aber diese Steuerbarkeit gilt für jeden, der Zugriff auf Prompt oder Schnittstelle hat.

Hermes Agent ist laut Repository ein Agent, der auf einem eigenen Server oder in einer Sandbox dauerhaft läuft, aus erledigten Aufgaben Skills ableitet, sitzungsübergreifend Erinnerungen speichert und zeitgesteuerte Aufgaben ausführt. Er lässt sich über eine Terminaloberfläche, eine Desktop-App und über Messenger wie Slack, Microsoft Teams, Telegram oder E-Mail ansprechen, kann Unteragenten starten und bindet externe Werkzeuge über MCP an. Das Modell ist frei wählbar, etwa über Nous Portal, OpenRouter, OpenAI oder einen eigenen Endpunkt.

Die Dokumentation beschreibt ein mehrstufiges Sicherheitsmodell: Allowlists für berechtigte Nutzer, Freigabe gefährlicher Befehle durch einen Menschen, Schreibschutz für sensible Pfade, Container-Isolation sowie das Herausfiltern von Zugangsdaten für MCP-Prozesse. Standardmäßig werden gefährliche Befehle in zeitgesteuerten und unbeaufsichtigten Sitzungen abgelehnt. Es gibt allerdings auch Modi, die Freigaben abschalten. In einer Unternehmensumgebung sollten diese gesperrt und die Konfiguration versioniert werden.

Die Lizenz eines nachtrainierten Modells hängt wesentlich vom Basismodell ab. Laut den Angaben auf Hugging Face stehen Hermes 4.3 36B und Hermes 4 14B unter Apache 2.0, Hermes 4 70B dagegen unter der Llama-3-Lizenz von Meta. Diese enthält eigene Bedingungen des Herstellers, die gesondert zu prüfen sind. Ein einheitliches Urteil über die Reihe gibt es daher nicht; jede Variante muss einzeln betrachtet werden.

Für die Praxis empfiehlt sich ein kurzes Lizenzregister: Modellname, Version, Basismodell, Lizenztext, Datum des Downloads und vorgesehene Nutzung. Kommen Anpassungen durch eigenes Feintuning hinzu, gehören auch die verwendeten Trainingsdaten und deren Rechte in die Dokumentation. Bei Unklarheiten zur Weitergabe oder zu kommerziellen Nutzungsgrenzen sollte eine rechtliche Prüfung erfolgen; die Angaben hier ersetzen sie nicht.

Ein offenes Modell selbst zu betreiben bedeutet, Rechenleistung, Laufzeitsoftware, Updates und Überwachung in eigener Verantwortung zu halten. Der Speicherbedarf steigt mit der Parameterzahl und sinkt mit der Quantisierung. Nous Research stellt für Hermes 4.3 neben den Originalgewichten GGUF-Varianten mit 4 bis 8 Bit bereit und beschreibt das Modell als passend für handelsübliche Grafikkarten. Für den produktiven Betrieb auf Servern mit mehreren GPUs nennt die Model Card tensor-parallele Inferenz-Engines.

Feintuning lohnt sich, wenn ein Modell eine feste Ausgabeform, Fachsprache oder ein internes Klassifikationsschema zuverlässig treffen soll und Prompting allein nicht reicht. Es erfordert kuratierte Beispieldaten, eine Testumgebung und die Bereitschaft, das Ergebnis bei jedem neuen Basismodell erneut zu prüfen. Für viele Wissensaufgaben ist eine Anbindung an freigegebene Dokumente der einfachere Weg als Training.

Hermes ist eine Option, wenn Daten die eigene Infrastruktur nicht verlassen sollen, wenn ein Modell an eine eigene Aufgabe angepasst werden muss oder wenn Abhängigkeit von einem einzelnen Anbieter vermieden werden soll. Auch für Forschung, Prototypen und interne Werkzeuge mit klar begrenztem Nutzerkreis kann ein offenes Modell gut passen.

Eine kommerzielle API ist meist die bessere Wahl, wenn höchste Qualität bei komplexen Aufgaben zählt, kein Team für den Modellbetrieb vorhanden ist oder die Nutzung stark schwankt. Häufig ist eine Kombination sinnvoll: offene Modelle für vertrauliche Routinearbeit, kommerzielle Modelle für weniger sensible, anspruchsvolle Aufgaben. Hermes Agent kann in beiden Fällen als Framework dienen, da er das Modell nicht vorschreibt.