Deep Principle 发布 Hydrogen-1.0：753B 开源科学发现模型

Deep Principle 发布了 Hydrogen-1.0，这是一个面向化学、材料科学与生命科学的开放权重科学模型。它基于 Z.ai 的 GLM-5.3，在领域数据、实验室记录和智能体发现轨迹上进行后训练而成。对开发者而言，它提供开放权重，并宣称在 FrontierScience-Research 上优于 GPT-6-Astra。权重以 MIT 许可证发布。

摘要

• 规模：753B 参数（MoE，基于 GLM-5.3 底座，每 token 约 40B 激活），1M token 上下文，最大输出 128K。
• 运行环境：8 块 GPU 搭配 SGLang（已测试）；NVIDIA B200/B300 使用 NVFP4，AMD MI350X/MI355X 使用 MXFP4。
• 性能：在 FrontierScience-Research 上优于 GPT-6-Astra；在 GPQA-Diamond 上大致与 Kimi-K3 持平。
• 最佳表现：FrontierScience-Research 得分 38.3%，GPT-6-Astra 为 33.3%（自报数据）。
• 最差表现：在 NMR 结构解析上落后 GPT-6-Astra（最大思考模式）3.33 个百分点。

Hydrogen-1.0 是什么？

Hydrogen-1.0 是 Deep Principle 推出的科研助手模型，后者是一家总部位于杭州的 AI for Materials 公司。模型卡将其描述为面向科学问题求解的 GLM-5.3 衍生模型，目标覆盖问题构建、实验规划、结果分析和开放式发现。Deep Principle 团队表示，近期一些 AI 科学成果由闭源模型产出，但其发现能力并不开放。Hydrogen-1.0 是他们打造可复现、可审查替代方案的尝试。

Hydrogen-1.0 是如何训练的？

训练流程结合了监督微调（SFT）与强化学习（RL）。数据来自 4 个来源：

• 领域知识：化学、材料科学与生命科学数据。
• 研究场景：来自 Deep Principle 科学家的任务特定反馈。
• 实验室记录：通过 Mira 采集的全周期电子实验记录。
• 发现轨迹：选择与反馈的序列，包括失败尝试。

基础设施基于 Megatron 和 SGLang，覆盖 NVIDIA CUDA 与 AMD ROCm。团队在上下文并行分片之间保持动态稀疏注意力的因果性。Muon 优化器状态按后端在 CPU、GPU 和磁盘之间迁移。RL 使用可恢复的 rollout，每个 token 保留其原始行为对数概率用于重要性校正。布局适配器将训练检查点转换为 BF16 和 128×128 分块 FP8 推理权重。完整数据集与训练配方未发布。

Hydrogen-1.0 在基准测试上表现如何？

在公开基准上，Deep Principle 报告 Hydrogen-1.0 在 FrontierScience-Research 上优于 GPT-6-Astra。一位创始人的推文串报告 GPQA-Diamond 得分 93.0%。据博客称，这较 GLM-5.3 有所提升，并与 Kimi-K3 大致持平。

内部研究任务评测将其与最大思考模式的 GPT-6-Astra 对比：

• 科学计算：Hydrogen-1.0 领先 5.13 个百分点。
• 正向反应预测：Hydrogen-1.0 领先 4.76 个百分点。
• NMR 结构解析：GPT-6-Astra 领先 3.33 个百分点。

在过渡金属配合物设计中，模型在 5 轮内追逐更大的 HOMO-LUMO 能隙。到第 5 轮，Hydrogen-1.0 的平均历史最佳能隙达到 4.318 eV。GPT-6-Astra 达到 3.689 eV，Kimi-K3 达到 3.353 eV。在 117 道实验规划题上，Hydrogen-1.0 得分高于 Kimi-K3。GPT-6-Astra 和 Opus-5.5 因拒绝超过 50% 的请求而被排除。

它在真实实验室工作流中能做什么？

技术文章展示了 4 个演示。Hydrogen-1.0 编写 Python 构建聚乙烯熔体并运行 GROMACS。它检测到拓扑错误，修复后分析校正后的 40 ns 轨迹。它通过 30 个可能的反应生长出包含 27 个结构的 Ireland-Claisen 反应网络。它根据 1H NMR 谱图对 2-溴萘的 7 个候选单甲酰化产物进行排序。它还为一项 12 瓶 Suzuki 偶联研究编写 JSON 协议。虚拟实验室编译步骤在执行前捕获了一次未更换吸头就移液的错误。

如何部署 Hydrogen-1.0？

权重发布在 Hugging Face 和 ModelScope 上。Deep Principle 团队在 8 块 GPU 上使用张量并行度 8 测试了 SGLang 的 BF16 服务。NVFP4 面向 NVIDIA B200 和 B300。MXFP4 面向 AMD Instinct MI350X 和 MI355X。服务器暴露 OpenAI 兼容 API，并提供 reasoning_effort 设置。

Hydrogen-1.0 与 GLM-5.3、Kimi K3 和 GPT-6-Astra 对比

特性Hydrogen-1.0GLM-5.3Kimi K3GPT-6-Astra 开发者Deep PrincipleZ.aiMoonshot AIOpenAI 总参数753B753B（HF）2.8T未披露 激活参数约 40B（继承）40B（LM Studio）896 个专家中的 16 个未披露 上下文1M1M1M1.05M 权重/许可证开放，MIT开放，GLM-5.3 License开放专有 模态文本文本文本 + 视觉此处未披露 科学侧重化学、材料、生命科学编程、智能体通用通用 FrontierScience-Research38.3%未披露未披露33.3%（据 Deep Principle） GPQA-Diamond93.0%未披露未披露96.0%（OpenAI 报告） API 价格（每 1M 输入/输出）NeuroSpark：未披露$1.40 / $4.40（Z.ai）$3.00 / $15.00$10.00 / $50.00（OpenAI）

要点

• Hydrogen-1.0 是一个 MIT 许可的 753B GLM-5.3 科学后训练模型。
• 它报告 FrontierScience-Research 得分 38.3%，高于 GPT-6-Astra 的 33.3%。
• 训练不仅使用论文，还加入了实验室记录和发现轨迹。
• 它在 NMR 结构解析上仍落后于 GPT-6-Astra。
• NVFP4 和 MXFP4 构建面向 Blackwell 和 MI350 级 GPU。

查看技术博客、Hugging Face 上的模型权重和使用说明。也欢迎在 Twitter 上关注我们，别忘了加入我们 150k+ 的 ML SubReddit 并订阅我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。

需要与我们合作推广你的 GitHub Repo、Hugging Face Page、产品发布、网络研讨会等？联系我们。

文章 Deep Principle Releases Hydrogen-1.0: A 753B Open-Weight Model for Scientific Discovery 首次出现在 MarkTechPost 上。