Hydrogen-1.0开放7530亿参数科学模型权重

Deep Principle 发布的 Hydrogen-1.0，想把科学研究中「提问题、设计实验、分析结果、继续试错」的能力做进开放权重模型。它基于 GLM-5.3 后训练，采用 MIT License，团队自报在 FrontierScience-Research 上超过 GPT-6-Astra。

对程序员来说，更值得看的不是榜单输赢，而是它怎样把实验记录和失败过程变成训练材料，以及怎样接入执行工具。不过，权重开放、训练可复现、真实科研有效，是三件需要分别验证的事。

科研模型为什么要学失败过程

Hydrogen-1.0 来自杭州的 AI 材料公司 Deep Principle，面向化学、材料科学和生命科学。它采用混合专家架构（MoE），总参数 753B，沿用 GLM-5.3 约 40B 的激活参数规模，支持 1M-token 上下文和 128K 最大输出。

训练结合监督微调（SFT）与强化学习（RL），材料分成四类：领域知识、科学家提供任务反馈的研究场景、通过 Mira 记录的全周期电子实验记录，以及包含失败尝试的发现轨迹。

论文通常告诉你最后什么成立，实验记录还能告诉你中间为什么改方向。发现轨迹则进一步保留每次选择及其反馈，让模型接触研究过程中的决策，而非只学习最终答案。这是作者方案最有价值的切入点。

工程底座使用 Megatron 和 SGLang，覆盖 NVIDIA CUDA 与 AMD ROCm。团队处理了跨上下文并行分片的动态稀疏注意力因果约束，也按后端在 CPU、GPU 和磁盘间搬运 Muon 优化器状态。RL 支持恢复 rollout，并保留每个 token 生成时的行为对数概率，用于重要性校正，减少策略更新后复用采样数据产生的偏差。

检查点还会通过布局适配器转成 BF16 和 128×128 分块 FP8 推理权重。但完整数据集与训练配方没有公开。

开放权重提供了检查和部署的入口，没有提供完整复现训练的条件。

超过 GPT-6-Astra，具体超过了什么

据 Deep Principle 自报，Hydrogen-1.0 在 FrontierScience-Research 上取得 38.3%，GPT-6-Astra 为 33.3%。联合创始人的帖子还报告了 GPQA-Diamond 93.0%，称其优于 GLM-5.3、约等于 Kimi-K3；原文另列的 OpenAI 自报 GPT-6-Astra 成绩是 96.0%。这些不是独立复测结果，也不能跨榜单拼出一个总体排名。

内部研究任务以最大思考强度的 GPT-6-Astra 为对照：Hydrogen-1.0 在科学计算上领先 5.13 个百分点，在正向反应预测上领先 4.76 个百分点，在核磁共振（NMR）结构解析上落后 3.33 个百分点。优势明显依赖任务。

另一项过渡金属配合物设计测试，让模型用 5 轮寻找更大的 HOMO-LUMO 能隙，也就是两个相关分子轨道之间的能量差。第 5 轮，各次运行「截至当时最优值」的均值分别为：

模型	能隙
Hydrogen-1.0	4.318 eV
GPT-6-Astra	3.689 eV
Kimi-K3	3.353 eV

这支持它在指定搜索目标上的表现，却不能直接推导出候选物容易合成，或具有更好的实际材料性能。

实验规划测试包含 117 道题，Hydrogen-1.0 得分高于 Kimi-K3。GPT-6-Astra 和 Opus-5.5 因拒绝超过 50% 的请求被排除。拒答率会影响工具是否可用，但排除之后，这项结果就无法回答它与两者谁的规划质量更高。

真正值得借鉴的是执行闭环

原文展示了四个演示。第一个由模型编写 Python，构建聚乙烯熔体并运行 GROMACS；发现拓扑错误后修复，再分析修正后的 40 ns 轨迹。第二个扩展 Ireland-Claisen 反应网络，得到 27 个结构、30 个合理反应。第三个根据 1H NMR 谱图，为 2-bromonaphthalene 的 7 个候选单甲酰化产物排序。

第四个输出 JSON 协议，规划 12 瓶 Suzuki 偶联实验。执行前，虚拟实验室的编译步骤发现一次吸液操作没有使用新吸头。

模型负责提出操作，执行系统负责检查操作是否合法，这种分工比单看回答是否流畅更有参考价值。

部署方面，团队测试的是 SGLang 上 8 张 GPU、张量并行度为 8 的 BF16 服务。NVFP4 面向 NVIDIA B200/B300，MXFP4 面向 AMD Instinct MI350X/MI355X。权重可从 Hugging Face 和 ModelScope 获取，服务提供 OpenAI-compatible API，并支持 reasoning_effort。

这里不能把「8 张 GPU」理解为任意八卡都能运行，原文没有交代该 BF16 测试的具体卡型、吞吐和显存占用。约 40B 激活参数也不代表只需要存储 40B 权重。

横向规格同样只能辅助选型：GLM-5.3 为 753B 总参数、40B 激活参数、1M 上下文；Kimi K3 为 2.8T 参数、896 个专家中激活 16 个，支持 1M 上下文及文本、视觉；GPT-6-Astra 上下文为 1.05M，参数未披露。Hydrogen-1.0 和 GLM-5.3 均为文本模型，后者使用 GLM-5.3 License。

原文列出的每百万输入/输出 token 价格分别为：Z.ai 的 GLM-5.3 是 $1.40/$4.40，Kimi K3 是 $3.00/$15.00，OpenAI 的 GPT-6-Astra 是 $10.00/$50.00。Hydrogen-1.0 的 NeuroSpark 报价未披露，自部署成本也没有给出。

我的判断

我认可把实验记录、失败轨迹和执行反馈纳入训练的方向：科学任务需要持续修正计划，只靠领域问答成绩很难说明这种能力。

但原文没有提供消融对照，无法判断收益分别来自领域数据、实验记录还是 RL；演示也没有给出重复成功率、人工介入次数和成本。这些结果能说明方案值得研究，尚不足以替普通团队证明投入产出比。

与通用模型连接领域检索、计算工具和流程校验相比，领域后训练增加了模型层面的投入。对已有实验平台和高质量轨迹数据的团队，它有探索价值；对大多数应用团队，先验证工具链和任务评测，更容易找出实际瓶颈。

能拿来做什么

• 如果要用 Node 接入科研助手，可以先围绕 OpenAI-compatible API 封装调用，并把 reasoning_effort 作为评测变量，记录正确率、延迟和费用，再决定默认配置。
• 如果正在开发会执行操作的 AI 工具，可以借鉴 JSON 协议加执行前校验：让模型生成结构化步骤，由程序检查参数和前置条件，失败后再返回明确反馈。
• 如果团队积累了任务日志，可以保留失败尝试、修复动作和最终验证结果，用于整理评测集；涉及专业判断时，让领域人员确认标注。
• 如果准备部署 Hydrogen-1.0，先拿自己的任务做小规模验证，再核算对应精度、GPU 型号和并发需求，别把公开榜单成绩直接当成采购依据。