Hermes Agent ha cambiato per sempre l'IA locale: ecco come eseguirlo in autonomia

Ecco cosa è cambiato, perché è importante e la guida completa passo dopo passo per eseguire Hermes Agent sul tuo computer in circa 30 minuti.

A maggio, NVIDIA ha pubblicato un post sul blog che dovrebbe fare molto più rumore di quanto non stia facendo.

Il titolo parla dell'hardware: Hermes Agent in esecuzione su PC RTX e la nuova workstation DGX Spark. La storia vera, però, è molto più grande.

Tre cose sono appena convergete che, insieme, cambiano ciò che è possibile:

1. Hermes Agent (Nous Research): un framework open-source per agenti che crea e perfeziona le proprie abilità dall'esperienza. Ha superato le 140.000 stelle su GitHub in tre mesi. Ora è l'agente più utilizzato al mondo, secondo OpenRouter.
2. Qwen 3.6 (Alibaba): un nuovo modello open-weight in cui la versione da 35B supera i modelli da 120B dell'anno scorso, e il 27B eguaglia ciò che prima richiedeva 400B di parametri. Funziona con circa 20 GB di memoria.
3. DGX Spark (NVIDIA): una workstation da scrivania con 128 GB di memoria unificata e 1 petaflop di prestazioni AI. Progettata per eseguire agenti in modo continuo, 24/7, in locale.

Abbina questi tre elementi e ottieni un agente AI personale che vive sulla tua scrivania (non in un data center), funziona in modo continuo (non sessione per sessione), impara dai tuoi flussi di lavoro e accumula capacità, non invia mai i tuoi dati da nessuna parte e costa circa $0/mese per l'operatività dopo l'acquisto dell'hardware.

La conversazione su "dove sta andando l'AI" di solito presuppone che la risposta sia il cloud. Questa è la prima risposta credibile che dice: in realtà, forse no.

Questo articolo copre due cose: (1) perché Hermes è importante in modo specifico, cosa lo rende strutturalmente diverso da qualsiasi altro framework per agenti di cui hai sentito parlare, e (2) la guida completa e aggiornata passo dopo passo per eseguirlo tu stesso sulla tua macchina in circa 30 minuti.

Se vuoi solo i passaggi per l'installazione, salta alla sezione "Come eseguirlo effettivamente". Se vuoi prima il perché – la parte che rende l'installazione degna di essere fatta – continua a leggere.

Cosa fa effettivamente Hermes (la parte che conta)

La maggior parte degli "agenti AI" di cui hai sentito parlare sono involucri attorno a una chiamata LLM. Gli dai un compito, lo fanno, gli dai un altro compito, ricominciano da capo. Dimenticano cosa ha funzionato ieri. Non migliorano. Sono utili, ma non sono veramente agenti in alcun senso significativo – sono funzioni con personalità.

Hermes è diverso in un modo specifico e tecnico: scrive le proprie abilità.

Quando Hermes completa un compito complesso, ad esempio "ricerca cinque concorrenti e produci un confronto", non ti consegna solo l'output. Salva la procedura come file di abilità sul disco. La prossima volta che chiedi qualcosa di simile, non ricomincia da capo. Apre la propria abilità, la esegue e la migliora in base a ciò che ha funzionato e cosa no.

Questa non è una rivendicazione di marketing. Nous Research fornisce un'infrastruttura che utilizza DSPy + GEPA (Genetic-Pareto Prompt Evolution) per ottimizzare automaticamente le abilità, le descrizioni degli strumenti e i prompt di sistema di Hermes. Le mutazioni vengono valutate. Le migliori vengono promosse. I miglioramenti sono misurabili.

Benchmark indipendenti lo confermano: gli agenti in esecuzione su Hermes con oltre 20 abilità auto-create completano compiti futuri simili circa il 40% più velocemente rispetto alle istanze nuove. Non è "output migliore del 40%". È "il 40% in meno di tempo e token per ottenere lo stesso risultato".

La parola chiave nell'architettura è persistente. Hermes funziona in modo continuo sul tuo laptop, su un server, su DGX Spark – e la sua memoria e le sue abilità si accumulano. Dopo un mese di utilizzo, il tuo Hermes è genuinamente diverso da quello di chiunque altro. Conosce il tuo codebase. Conosce le tue convenzioni. Sa come ti piace che le cose vengano spiegate.

Visivamente, la differenza si presenta così:

In alto: una tipica chatbot perde tutto tra una sessione e l'altra. In basso: Hermes scrive abilità dall'esperienza e costruisce memoria dei tuoi schemi. La capacità si accumula.

C'è anche un'architettura di memoria che vale la pena menzionare: Hermes utilizza un sistema a tre livelli. Note persistenti (le tue preferenze, le convenzioni di progetto, chi è chi nella tua vita lavorativa), cronologia delle sessioni ricercabile (tutto ciò che è successo, indicizzato per il recupero) e abilità procedurali (i flussi di lavoro effettivamente appresi). Questo modello a tre livelli è ciò che altri framework hanno cercato di perfezionare per due anni. Hermes ne ha spedito uno che funziona.

Come è costruito Hermes

Ecco l'architettura in un'immagine:

Parli con Hermes tramite CLI o gateway di messaggistica. Hermes orchestra il lavoro: pianificazione, chiamata degli strumenti, scrittura delle abilità – e chiama un server di modelli locale per l'inferenza. Tutto persiste in ~/.hermes/ sul tuo disco.

Le tre cose da notare nel diagramma:

Uno: il server di modelli locale è un pezzo separato da Hermes stesso. Hermes è il livello di orchestrazione – il pianificatore, l'esecutore di strumenti e lo scrittore di abilità. Il modello (Qwen 3.6 nell'installazione consigliata) fa il pensiero vero e proprio. Sono collegati tramite un'API compatibile con OpenAI su localhost.

Due: le abilità e la memoria risiedono in ~/.hermes/. Semplici file Markdown sul disco. Puoi leggerli. Puoi modificarli. Puoi farne un backup. Quando Anthropic, OpenAI o qualsiasi altra azienda cambieranno i loro termini domani, nulla di tutto ciò cambierà – è tuo.

Tre: i gateway sono opzionali ma trasformativi. Una volta che colleghi Hermes a Telegram o Slack, smetti di pensarlo come "una cosa da CLI sul mio laptop" e inizi a pensarlo come "il mio AI personale a cui posso scrivere da qualsiasi luogo".

Perché Qwen 3.6 rende tutto ciò possibile

Ecco la parte che si perde nell'annuncio: Hermes è agnostico rispetto al modello. Puoi puntarlo a GPT, Claude o qualsiasi modello locale. Ma c'è una ragione per cui il post sul blog di NVIDIA lo abbina specificamente a Qwen 3.6.

Fino a pochissimo tempo fa, eseguire flussi di lavoro agentici seri in locale significava accettare uno di due compromessi:

• Usare un modello piccolo e veloce e guardare l'agente incespicare in compiti multi-step
• Usare un modello grande e intelligente e accettare che un ciclo di inferenza richiedesse 90 secondi

Qwen 3.6 ha cambiato le carte in tavola. Il modello da 35B supera i modelli precedenti da 120B con circa un terzo dell'impronta di memoria. Il modello denso da 27B eguaglia l'accuratezza dei vecchi modelli da 400B. Stiamo parlando di un miglioramento di 16x in efficienza per unità di intelligenza in meno di un anno.

Cosa significa in pratica: un modello abbastanza intelligente da pianificare, scomporre compiti, scrivere le proprie abilità e autocorreggersi ora sta in 20 GB di memoria. Questa è una GPU consumer di fascia alta. È anche esattamente ciò che un singolo DGX Spark contiene comodamente, con spazio rimasto per l'agente stesso.

Questo è il divario che si è chiuso. L'anno scorso, un "agente locale auto-migliorante" richiedeva hardware da data center. Quest'anno, non è più così.

Cosa significa per le persone normali

La maggior parte della copertura di questo annuncio lo tratta come una notizia aziendale. Non lo è. È una notizia di infrastruttura di consumo. Ecco cosa significa a seconda di chi sei.

Se sei un lavoratore della conoscenza: Entro 12 mesi, sceglierai tra abbonarti a un servizio di agenti cloud ($30/mese?) ed eseguire un agente locale comparabile sul tuo hardware ($0 continuativi dopo l'installazione). Per lavori sensibili alla privacy – consulenza, sanità, finanza, legale – sta diventando la scelta ovvia.

Se sei uno sviluppatore: Hermes è open source con licenza MIT. Puoi installarlo oggi sul tuo laptop esistente e abbinarlo a LM Studio o Ollama che eseguono Qwen 3.6. Nessun DGX Spark richiesto. La questione hardware riguarda la qualità della vita, non la capacità. Inizia con ciò che hai.

Se sei un fondatore o un operatore: Questo mette pressione sull'intero mercato SaaS degli agenti. Gli strumenti che vendono "X basato sull'AI" a $20/mese ora competono con un agente locale che fa la stessa cosa gratuitamente. Le giocate SaaS difendibili sono quelle con reti, dati o flussi di lavoro che non possono essere replicati in locale. Quelle vulnerabili sono quelle che sono solo "Claude con una mano di vernice".

Se lavori nella sicurezza o in settori regolamentati: La storia della sovranità dei dati per l'AI è diventata enormemente più forte. Dire a qualcuno "non puoi usare l'AI per questo lavoro perché invia dati a OpenAI" smette di essere un vincolo quando un agente comparabile funziona interamente in sede.

Ora la parte che la maggior parte della copertura salta. Come eseguire effettivamente tutto questo da soli.

Come eseguirlo effettivamente (l'installazione completa)

Il post sul blog di NVIDIA dice: "Visita il repository GitHub, abbinalo a un modello locale e sei a posto." Questa frase salta circa sei decisioni reali e tre potenziali insidie. Ecco l'installazione effettiva, in italiano semplice, con le insidie evidenziate.

Cosa ti servirà

Realtà hardware onesta prima di iniziare. Hermes può funzionare con un'API remota (Anthropic, OpenAI, OpenRouter, Nous Portal), ma questo vanifica gran parte dello scopo. Per l'installazione solo locale su cui si concentra questa guida:

Il tuo hardware - Esperienza realistica

8 GB RAM, grafica integrata - Farà fatica. Usa invece l'API cloud.

16 GB RAM, GPU di fascia media (RTX 3060/4060) - Funziona con modelli più piccoli. Più lento ma utilizzabile.

MacBook Pro M3/M4 con 32 GB+ di memoria unificata - Esegue Qwen 3.6 27B senza problemi. Genuinamente produttivo.

Desktop con RTX 3090/4090 - Il punto debole. Esegue Qwen 3.6 35B con qualità quasi cloud.

NVIDIA DGX Spark o workstation RTX PRO - Ciò che il post di NVIDIA sta vendendo. Eccessivo per la maggior parte.

La linea onesta: se puoi eseguire Qwen 3.6 27B o superiore in locale, avrai un'ottima esperienza con Hermes. Se non puoi, usa il percorso dell'API cloud (che è drammaticamente più semplice). Salta alla sezione API Cloud alla fine se questa è la tua strada.

Ti serve anche:

• macOS, Linux o Windows 11 con WSL2 (Hermes richiede un ambiente Unix; gli utenti Windows lo eseguono all'interno di WSL2)
• Almeno 20 GB di spazio libero su disco per il modello
• 30 minuti di tempo ininterrotto

Passo 1. Installa il tuo server di modelli locale (15 minuti)

Il percorso più non tecnico è LM Studio. Il percorso più tecnico è Ollama. Entrambi funzionano. Scegline uno.

Opzione A: LM Studio (consigliato per non sviluppatori)

1. Vai su lmstudio.ai e scarica il programma di installazione per il tuo sistema operativo
2. Installalo come qualsiasi altra app
3. Apri LM Studio e vai alla scheda Discover
4. Cerca Qwen 3.6 27B (o 35B se il tuo hardware può gestirlo)
5. Scegli la versione Q4 quantization – è il punto debole tra dimensioni e qualità
6. Clicca Download. Aspetta 10-15 minuti
7. Una volta scaricato, passa alla scheda Developer (chiamata "Local Server" nelle versioni precedenti)
8. Clicca Load Model e scegli il modello Qwen 3.6 che hai appena scaricato
9. Importante: nelle impostazioni, abilita "Serve on Network" (altrimenti gli utenti WSL2 non possono raggiungerlo)
10. Clicca Start Server – per impostazione predefinita, funziona su http://localhost:1234

Verifica che funzioni: apri il browser, vai su http://localhost:1234/v1/models. Dovresti vedere una risposta JSON che elenca il modello caricato.

Opzione B: Ollama (consigliato per sviluppatori)

1. Vai su ollama.com e scarica il programma di installazione
2. Installa
3. Apri un terminale ed esegui:

1ollama pull qwen3.6
2ollama serve

1. Questo avvia Ollama sulla porta 11434 e scarica il modello Qwen 3.6

Impostazione critica di Ollama che inciampa tutti: Ollama ha per impostazione predefinita una finestra di contesto molto bassa (spesso 4K token). Hermes necessita di almeno 64K. Imposta questo prima di eseguire:

1export OLLAMA_HOST=0.0.0.0
2ollama run qwen3.6 -c 65536

Il flag -c 65536 imposta il contesto a 64K. Senza questo, Hermes rifiuterà il modello all'avvio perché il prompt di sistema + gli schemi degli strumenti da soli riempiono la finestra più piccola.

Passo 2. Installa Hermes Agent (5 minuti)

Hermes fornisce uno script di installazione a riga singola. Dal tuo terminale:

1GitHub → NousResearch/hermes-agent → scripts/install.sh

Se sei su Windows, esegui questo comando dall'interno di WSL2 (apri prima Ubuntu/Debian dal menu Start).

Lo script:

• Scarica la CLI di Hermes sulla tua macchina
• Imposta una directory dati locale (tipicamente ~/.hermes/)
• Installa le dipendenze richieste (Node.js, ecc.) se non le hai

Quando finisce, ricarica la tua shell:

1source ~/.bashrc   # o ~/.zshrc, a seconda della tua shell

Verifica l'installazione:

1hermes --version

Se vedi un numero di versione, sei a posto.

Passo 3. Collega Hermes al tuo modello locale (5 minuti)

Qui è dove molte guide di installazione sorvolano. Ecco il flusso esatto.

Esegui:

1hermes model

Vedrai un menu di provider. Scorri fino in fondo e scegli "Custom endpoint (self-hosted / vLLM / etc.)".

Poi:

• URL: Se hai usato LM Studio, inserisci http://localhost:1234/v1. Se hai usato Ollama, inserisci http://localhost:11434/v1
• API Key: Premi Invio per saltare (i server locali non ne hanno bisogno)
• Model name: LM Studio: il nome esatto del file del modello che hai caricato (guarda nella scheda "My Models" di LM Studio) Ollama: qwen3.6 (o qualsiasi cosa tu abbia scaricato)

Questo è tutto. Hermes è ora configurato per utilizzare il tuo modello locale.

Importante: il requisito della finestra di contesto di 64K

Hermes richiede almeno 64K token di contesto. Questo coglie tutti alla prima volta. Se vedi un errore all'avvio come "Model context too small", la correzione è sul lato del server di modelli, non sul lato di Hermes:

• LM Studio: Quando carichi il modello, espandi le impostazioni avanzate e imposta la lunghezza del contesto a 65536+
• Ollama: Passa -c 65536 quando esegui il modello
• llama.cpp: Usa -ctx-size 65536

Senza questo, nient'altro funzionerà. Non saltarlo.

Passo 4. Esegui la tua prima sessione Hermes (5 minuti)

Nel tuo terminale:

1hermes

Questo avvia la sessione interattiva di Hermes. La prima volta che lo esegui, Hermes fa alcune domande di onboarding: conferma la selezione del modello, collega opzionalmente un gateway (Telegram, Discord, Slack, ecc.; puoi saltare per ora) e sei dentro.

Prova un primo compito che eserciti le reali capacità di Hermes:

"Ricerca lo stato attuale dei framework AI agentici nel 2026, concentrandoti sull'ecosistema open-source. Salva ciò che impari come abilità in modo da poterci costruire sopra la prossima volta."

Osserva cosa succede. Hermes:

1. Scomporrà la domanda in sotto-compiti
2. Genererà sotto-agenti per lavoro parallelo dove utile
3. Cercherà sul web, leggerà fonti, sintetizzerà
4. Produrrà una risposta strutturata
5. Salverà la procedura sottostante come abilità sul disco visibile in ~/.hermes/skills/

Quest'ultimo passaggio è ciò che rende Hermes diverso da una chatbot. La prossima volta che chiederai a Hermes di fare un compito di ricerca correlato, troverà e riutilizzerà l'abilità che ha appena creato.

Digita /exit quando hai finito.

Passo 5. Verifica che la magia sia realmente avvenuta

La proposta di valore di Hermes è il ciclo di auto-miglioramento. Verifica che funzioni:

1ls ~/.hermes/skills/

Dovresti vedere uno o più file .md – queste sono le procedure apprese da Hermes. Aprilo con qualsiasi editor di testo. Vedrai un flusso di lavoro strutturato con passaggi, strumenti utilizzati e note su cosa ha funzionato.

Questa è la caratteristica vincente. Dopo un mese di utilizzo, questa directory conterrà 20-50 abilità, ognuna delle quali cattura come Hermes ha imparato a fare un tipo specifico di compito per te. Quelle abilità rendono ogni compito successivo più veloce e più accurato.

Il "modello approfondito di chi sei" menzionato nel post di NVIDIA vive in ~/.hermes/memory/ – le tue preferenze, i tuoi progetti, i tuoi schemi ricorrenti. Apri anche questi file. Sono Markdown semplice. Puoi leggerli e modificarli tu stesso se lo desideri.

Opzionale: Collega un gateway

La caratteristica poco menzionata: Hermes può essere raggiunto dalle app di messaggistica. Esegui:

1hermes gateway

Vedrai opzioni per Telegram, Discord, Slack, WhatsApp, Signal ed email.

Il più facile da configurare è Telegram:

1. In Telegram, cerca @BotFather e crea un nuovo bot. Ti darà un token.
2. Incolla il token quando Hermes te lo chiede.
3. Fatto. Ora puoi inviare messaggi al tuo bot da Telegram e Hermes risponderà – in esecuzione localmente sulla tua macchina, usando il tuo modello locale.

Questo è il momento in cui l'installazione smette di sembrare "una cosa da CLI sul mio computer" e inizia a sembrare "il mio AI personale". Puoi scrivergli dal tuo telefono mentre il tuo laptop è a casa a fare il lavoro.

Cosa può andare storto (i 5 problemi di installazione più comuni)

Problema 1: Errore "Model context too small" all'avvio. Soluzione: imposta il contesto ad almeno 64K sul tuo server di modelli (vedi Passo 3). Questo è il singolo errore più comune.

Problema 2: Hermes non riesce a connettersi al tuo modello locale. Soluzione: conferma che il tuo server di modelli sia in esecuzione e accessibile. Testa con curl <http://localhost:1234/v1/models> (LM Studio) o curl <http://localhost:11434/v1/models> (Ollama). Se ricevi JSON, il server funziona – ricontrolla la configurazione dell'URL di Hermes.

Problema 3: WSL2 non riesce a raggiungere un server di modelli host Windows. Soluzione: su Windows 11 22H2+, abilita la modalità di rete con mirroring WSL2. Oppure esegui il tuo server di modelli all'interno di WSL2 invece che sull'host Windows.

Problema 4: Hermes è lento. Soluzione: quasi certamente il modello, non Hermes. Prova un modello più piccolo (Qwen 3.6 8B invece di 35B) o una quantizzazione più aggressiva (Q4 invece di Q6). Se sei solo CPU, aspettati lentezza – questo carico di lavoro vuole una GPU.

Problema 5: Hermes "dimentica" le cose tra una sessione e l'altra. Soluzione: controlla che ~/.hermes/ contenga effettivamente dei file. Se è vuoto, la tua installazione non è stata completata correttamente. Esegui di nuovo lo script di installazione.

La scorciatoia dell'API cloud (se il tuo hardware non può gestire il locale)

Se la tua macchina non può davvero eseguire un modello 27B+ e vuoi comunque provare Hermes:

1. Salta i Passi 1, 3 e le note sul "contesto"
2. Dopo aver installato Hermes (Passo 2), esegui hermes model
3. Scegli un provider cloud – OpenRouter, Nous Portal o Anthropic sono i più fluidi
4. Aggiungi la tua chiave API
5. Il resto dell'installazione è lo stesso – Hermes funziona ancora localmente sulla tua macchina, chiama solo un modello cloud per il pensiero

Questo costa per token invece di $0, ma ti dà l'esperienza dell'agente (memoria, abilità, auto-miglioramento) su hardware che non può eseguire i modelli in locale.

Le preoccupazioni oneste

Tre cose a cui pensare prima di presumere che questo cambi tutto da un giorno all'altro.

L'auto-miglioramento ha modalità di fallimento. Lo stesso ciclo che rende Hermes migliore può renderlo più strano. Un agente che ottimizza i propri prompt può allontanarsi silenziosamente dai tuoi obiettivi reali. Nous Research fornisce protezioni – test di regressione, porte di valutazione, flussi di lavoro "blocca mutazioni dannose" – ma queste protezioni richiedono manutenzione attiva. Se distribuisci Hermes e smetti di guardare, potresti non accorgerti quando inizia a essere sottilmente sbagliato.

La sicurezza è una vera domanda. Gli agenti che scrivono le proprie abilità, installano server MCP ed eseguono codice sulla tua macchina sono una nuova superficie d'attacco. Avvelenamento delle abilità, injection di prompt attraverso contenuti recuperati, strumenti dannosi – questi non sono problemi teorici. Tratta l'agente come software eseguibile, non come un assistente amichevole.

La storia dell'hardware è ancora grezza ai bordi. DGX Spark è un prodotto reale, ma è anche costoso, con fornitura limitata, e la maggior parte dei recensori non ne ha ancora messo le mani sopra. La storia di Hermes sul laptop va bene oggi; la storia di Hermes su DGX Spark impiegherà un trimestre per maturare.

Nessuna di queste mina la tesi più grande. Sono solo gli asterischi che ogni professionista onesto dovrebbe conoscere.

Cosa farei effettivamente questo fine settimana

Se sei nuovo a Hermes e hai un hardware decente, ecco il percorso che seguirei:

1. Installa LM Studio + Qwen 3.6 27B – 15 minuti
2. Installa Hermes – 5 minuti
3. Configura Hermes per LM Studio – 5 minuti
4. Imposta la finestra di contesto a 65536 (l'insidia) – 1 minuto
5. Esegui il tuo primo compito – 5 minuti
6. Poi ignora tutto il resto per una settimana. Usa Hermes quotidianamente per lavoro reale. Osserva la directory delle abilità riempirsi.

Non cercare di ottimizzare, personalizzare o aggiungere gateway ancora. L'intero scopo di Hermes è il ciclo di auto-miglioramento – e quello si attiva solo se lo usi effettivamente per compiti reali nel tempo. Trascorri la tua prima settimana usandolo, non ottimizzandolo.

Entro la seconda settimana, saprai se questo è il framework per agenti che cambia il modo in cui lavori, o se il tuo hardware/caso d'uso è una scelta inadeguata. Entrambi i risultati sono dati utili.

Il quadro più ampio

Per due anni, la narrazione dominante è stata: l'AI migliora diventando più grande, e più grande significa cloud. L'implicazione è che l'AI seria vive da qualche altra parte, e il tuo compito è chiamarla.

Hermes + Qwen 3.6 + DGX Spark è la prima contro-narrazione credibile. L'AI seria può vivere sulla tua scrivania. Può migliorarsi da sola. Può funzionare in modo continuo. Può sapere cose su di te che non metteresti mai in un sistema cloud. I compromessi che un tempo rendevano l'AI locale un progetto da hobbista – più lento, più stupido, più macchinoso – stanno evaporando trimestre dopo trimestre.

Questo non uccide l'AI cloud. I modelli all'avanguardia continueranno a vivere nei data center. Il ragionamento più difficile avverrà ancora su larga scala. Ma per l'80% del lavoro agentico che è seguire schemi, eseguire flussi di lavoro e mantenere il contesto – quello si sta spostando sulla tua macchina.

Il che significa che molte cose cambiano a valle. Il fossato competitivo per "SaaS basato sull'AI" si assottiglia. La storia della sovranità dei dati per le aziende diventa più facile. Il pavimento della privacy per gli individui si alza. Il costo di esecuzione di un agente passa da "per richiesta" a "ammortizzato sull'hardware che già possiedi".

Questo annuncio è un singolo punto dati. Ma la traiettoria su cui si trova è la più importante nell'AI agentica in questo momento – e quasi nessuno al di fuori di Hacker News la sta leggendo in questo modo.

Questa è la parte che nessuno ti sta dicendo.

Se questo è stato utile – segui il mio canale Telegram:

https://t.me/+ygATQAt9sUM1N2U6**