Deep Principle 发布 Hydrogen-1.0：753B 开源权重科学模型

Deep Principle 发布了 Hydrogen-1.0，这是一个面向化学、材料科学和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构建而成。对开发者而言，它提供开放权重，并报告在 FrontierScience-Research 上胜过 GPT-6-Astra。其权重以 MIT 许可证发布。

TL;DR

规模：753B 参数（MoE，基于 GLM-5.3 底座约 40B 激活参数），1M token 上下文，最大输出 128K。
运行环境：使用 SGLang 在 8 块 GPU 上运行（已测试）；NVIDIA B200/B300 使用 NVFP4，AMD MI350X/MI355X 使用 MXFP4。
性能：在 FrontierScience-Research 上击败 GPT-6-Astra；在 GPQA-Diamond 上大致与 Kimi-K3 持平。
最佳：FrontierScience-Research 上 38.3%，GPT-6-Astra 为 33.3%（自报数据）。
最差：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，该公司是一家总部位于杭州的 AI-for-materials 公司。模型卡将其描述为用于科学问题求解的 GLM-5.3 衍生模型。它面向问题构建、实验规划、结果分析和开放式发现。Deep Principle 团队表示，专有模型产出了近期的 AI 科学成果，但其发现能力并不开放。Hydrogen-1.0 是其尝试提供的可复现、可检查的替代方案。

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、材料科学和生命科学数据。
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本记录。
发现轨迹：选择与反馈的序列，包括失败的尝试。

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上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。完整数据集和配方未发布。

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。其中一位创始人的推文串报告 GPQA-Diamond 上达到 93.0%。据博客称，这较 GLM-5.3 有所提升，并与 Kimi-K3 大致相当。

内部研究任务评测将其与最大思考模式下的 GPT-6-Astra 进行比较：

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 轮中追求更大的 HOMO-LUMO 能隙。到第 5 轮时，Hydrogen-1.0 达到平均最佳能隙 4.318 eV。GPT-6-Astra 达到 3.689 eV，Kimi-K3 达到 3.353 eV。在 117 个实验规划问题上，Hydrogen-1.0 的得分高于 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，修复它，并分析修正后的 40 ns 轨迹。它通过 30 个可能的反应构建了一个包含 27 个结构的 Ireland-Claisen 反应网络。它从 1H NMR 谱图中对 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 偶联研究编写了 JSON 协议。一个虚拟实验室编译步骤在执行前捕获了未更换吸头就移液的错误。

如何部署 Hydrogen-1.0？

权重位于 Hugging Face 和 ModelScope。Deep Principle 团队在 8 块 GPU 上使用张量并行度为 8 的 SGLang 测试了 BF16 服务。NVFP4 面向 NVIDIA B200 和 B300。MXFP4 面向 AMD Instinct MI350X 和 MI355X。服务器通过一个 reasoning_effort 设置暴露 OpenAI 兼容 API。

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

特性	Hydrogen-1.0	GLM-5.3	Kimi K3	GPT-6-Astra
开发者	Deep Principle	Z.ai	Moonshot AI	OpenAI
总参数	753B	753B（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	1M	1M	1M	1.05M
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
科学重点	化学、材料、生命科学	编程、智能体	通用	通用
FrontierScience-Research	38.3%	未披露	未披露	33.3%（据 Deep Principle）
GPQA-Diamond	93.0%	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）

关键要点

Hydrogen-1.0 是一个 MIT 许可的、753B 的 GLM-5.3 科学后训练模型。
它在 FrontierScience-Research 上报告 38.3%，高于 GPT-6-Astra 的 33.3%。
训练加入了实验室记录和发现轨迹，而不仅仅是论文。
它在 NMR 结构解析上仍落后于 GPT-6-Astra。
NVFP4 和 MXFP4 版本面向 Blackwell 和 MI350 级 GPU。

查看 技术博客、Hugging Face 上的模型权重和使用说明。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ 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 仓库、Hugging Face 页面、产品发布或网络研讨会等？ 联系我们

文章 Deep Principle 发布 Hydrogen-1.0：一个用于科学发现的 753B 开放权重模型首次出现在 MarkTechPost。