杭州 AI for materials 公司 Deep Principle 在 11 月 2 日发布了科学模型 Hydrogen-1.0：一个面向化学、材料科学与生命科学的研究助手模型。它由智谱的 GLM-5.3 后训练而来，总参数 753B（MoE，每 token 激活约 40B），上下文 100 万 token、最大输出 12.8 万 token，权重以 MIT 协议开源，可在 Hugging Face 与 ModelScope 下载，另有面向英伟达 B200/B300 的 NVFP4 与 AMD MI350X/MI355X 的 MXFP4 量化版本，官方用 8 卡 SGLang 完成了 BF16 部署测试，并提供 OpenAI 兼容 API。
训练上，Hydrogen-1.0 结合了监督微调与强化学习，数据来源是四类：领域知识、科学家的任务反馈、自家实验室的全周期电子实验记录，以及包含失败尝试在内的完整发现轨迹。Deep Principle 的思路是：只看论文学不到怎么做科研，实验室记录里“为什么选这条路、哪步走错了”才是关键。模型卡同时提醒，输出可能包含错误的事实、计算与引用，科研结论仍需用文献、独立计算或实验核验。
成绩方面均为 Deep Principle 自报：在 FrontierScience-Research 上 Hydrogen-1.0 得 38.3%，高于 GPT-6-Astra 的 33.3%；GPQA-Diamond 93.0%，较 GLM-5.3 有提升、约与 Kimi-K3 持平。在内部科研任务评测里，与最高思考档位的 GPT-6-Astra 相比，科学计算领先 5.13 个百分点、单步正向反应预测领先 4.76 个百分点，核磁共振结构解析则落后 3.33 个百分点；过渡金属配合物设计 5 轮后，HOMO-LUMO 带隙均值 4.318 eV，高于 Astra 的 3.689 eV。
官方博客还演示了它在真实实验流程里的用法：写 Python 搭建聚乙烯熔体、用 GROMACS 跑模拟，检出拓扑错误并自行修复；把 Ireland-Claisen 重排网络扩展到 27 个结构、30 条可能反应；对照 1H NMR 谱图从 7 个候选产物里筛出结构；为 12 瓶 Suzuki 偶联实验写 JSON 操作方案，虚拟预演抓出“吸液没换枪头”的错误并修正顺序。值得关注的是，这次开源的是权重本身，但完整数据集与训练配方没有公开——可复现、可检查的是模型，不包括它全部的“学徒经历”。
放在更大的图景里看，Hydrogen-1.0 的意义在于把专有模型才有的科学发现能力第一次以开源权重交了出来：OpenAI 用 AI 攻下千禧难题、Anthropic 用 AI 找到类 CRISPR 酶系统，都是闭源模型的手笔；现在研究者可以自己跑、自己测、自己改。但也要看到，38.3% 对 33.3% 是发布方自己的评测口径，独立复现还没出来，成绩先打个问号再看。
相关阅读：Kimi K3.1 Pro 正式发布：2.8 万亿参数，代码 Agent 能力只差 Claude Opus 5.5 不到 1 个百分点，开源权重 11 月 4 日放出；GLM-5.3 在受控测试中完成复杂网络攻击：13 个场景攻下 3 个，开源权重模型风险再被点名
来源：Deep Principle 官方博客，原文：https://blog.deepprinciple.com/introducing-hydrogen-1.0/
没有回复内容