Deep Principle 发布 Hydrogen-1.0 开源科学大模型
Deep Principle 推出基于 GLM-5.3 后训练的开源科学模型 Hydrogen-1.0，通过整合实验全流程数据（含失败案例）进行强化学习。该模型在 FrontierScience-Research 基准上得分 38.3%，优于 GPT-6-Astra，但在 NMR 结构解析任务中略逊一筹。模型拥有 753B 参数和 1M 上下文窗口，采用 MIT 许可证并支持多种量化格式部署。
报道正文
▲ Marktechpost AI · 2026-11-02 18
▲ Deep Principle 刚刚发布了 Hydrogen-1.0，这是一款开源权重的科学模型，其学习重点在于实验的实际展开过程，而不仅仅是论文内容。
核心思路是在完整的实验室笔记记录和发现轨迹上对 GLM-5.3 进行后训练。该模型能够同时看到意图、步骤、观察结果和最终产出，其中也包含了失败的尝试。随后通过强化学习（RL）在完整的发现战役中进行训练。
在 FrontierScience-Research 基准测试中，它取得了 38.3% 的成绩，相比之下 GPT-6-Astra 为 33.3%；在 GPQA-Diamond 测试中达到 93.0%（自报数据）。在为期 5 轮的过渡金属配合物设计任务中，它实现了 4.318 eV 的能隙，而 GPT-6-Astra 为 3.689 eV。不过这也是一种权衡：GPT-6-Astra 在 NMR 结构解析方面仍领先 3.33 分，且大多数对比均基于内部评估。
参数量 753B，上下文窗口 1M，采用 MIT 许可证。支持 BF16、NVFP4 (B200/B300) 和 MXFP4 (MI350X/MI355X) 权重格式，并通过 NeuroSpark 提供托管 API……
完整分析：
