Hydrogen-1.0: otwarty model do chemii i materiałów ma wyprzedzać GPT-6-Astra w teście FrontierScience

Deep Principle, firma z Hangzhou zajmująca się AI w materiałoznawstwie, opublikowała Hydrogen-1.0. To model naukowy zbudowany przez post-training GLM-5.3 (Z.ai) na danych z chemii, materiałoznawstwa i nauk o życiu oraz na zapisach i trajektoriach agentów z laboratoriów samej firmy. Wagi są dostępne na Hugging Face i w ModelScope na licencji MIT. Repozytorium na Hugging Face jest oznaczone jako „gated”.

Punkt wyjścia jest prosty. Deep Principle przywołuje dowód dotyczący osobliwości w równaniach Naviera–Stokesa, który według OpenAI powstał z udziałem agentów AI, oraz system enzymatyczny z powtórzeniami podobnymi do CRISPR, który zidentyfikowało Anthropic. Firma zauważa, że modele stojące za tymi wynikami są zamknięte, a część nie ma nawet publicznego API. Hydrogen-1.0 ma być otwartą alternatywą, którą można sprawdzić, dostroić i odtworzyć. Chenru Duan z Deep Principle napisał na X: „We believe science should be open, collaborative, and democratized, rather than proprietary”.

Parametry i wdrożenie

To tekstowy model Mixture-of-Experts z 753 mld parametrów, z kontekstem do 1 mln tokenów i odpowiedziami do 128 tys. tokenów. Liczba parametrów aktywnych odpowiada bazie GLM-5.3, czyli około 40 mld. Zespół testował serwowanie w BF16 przez SGLang na ośmiu GPU. Są też warianty NVFP4 (NVIDIA B200/B300) i MXFP4 (AMD MI350X/MI355X), a serwer udostępnia API zgodne z OpenAI z ustawieniem reasoning_effort. Według Marktechpost pełne zbiory danych i receptury treningu nie zostały opublikowane. Otwarte są więc wagi, ale nie cały proces.

Wyniki: przewaga w części testów

Według Deep Principle Hydrogen-1.0 pokonuje GPT-6-Astra w FrontierScience-Research, a w GPQA-Diamond poprawia wynik GLM-5.3 i mniej więcej dorównuje Kimi-K3. Według Deep Principle w FrontierScience-Research wynik wynosi 38,3% wobec 33,3%, a Chenru Duan podał dla Hydrogena 93,0% w GPQA-Diamond. Dla GPT-6-Astra zestawienie podaje tam 96,0% według OpenAI, więc w GPQA-Diamond model OpenAI zostaje przed Hydrogenem. Wszystkie wyniki Hydrogena pochodzą od autorów.

Na wewnętrznych zadaniach badawczych firmy obraz jest mieszany. Przy maksymalnym trybie „myślenia” GPT-6-Astra Hydrogen-1.0 prowadzi:

• w obliczeniach naukowych o 5,13 pkt proc.,
• w przewidywaniu reakcji jednoetapowych o 4,76 pkt proc.

Model OpenAI wygrywa za to w ustalaniu struktury na podstawie widma NMR, o 3,33 pkt. Sami autorzy zastrzegają, że bezwzględnych wyników między zadaniami nie należy traktować jak porównania zdolności modeli, bo odzwierciedlają one trudność wewnętrznych przypadków.

Najciekawsze wydają się testy związane z podejmowaniem decyzji. W projektowaniu kompleksów metali przejściowych modele przez pięć rund miały szukać struktur o jak największej przerwie HOMO–LUMO, a każdy dostawał informację zwrotną tylko o własnych propozycjach. Po piątej rundzie średnia najlepsza przerwa wyniosła 4,318 eV dla Hydrogena, 3,689 eV dla GPT-6-Astra i 3,353 eV dla Kimi-K3.

W planowaniu eksperymentów, na 117 wspólnych pytaniach, Hydrogen-1.0 uzyskał wyższą ocenę niż Kimi-K3. Z porównania wypadły GPT-6-Astra i Opus-5.5, bo odrzuciły ponad połowę zapytań. Autorzy nie podają, dlaczego tak się stało.

Uczenie na całym eksperymencie

Główna teza firmy brzmi tak: model uczy się nie tylko wiedzy, ale też tego, jak decyzje badawcze prowadzą do wyników, łącznie z nieudanymi próbami. Trening łączy SFT i RL na czterech rodzajach danych: wiedzy dziedzinowej, scenariuszach badawczych z informacją zwrotną od naukowców firmy, pełnych zapisach z elektronicznego notatnika laboratoryjnego (rejestrowanych przez system Mira) oraz trajektoriach odkryć. Infrastruktura opiera się na Megatronie i SGLang, na kartach NVIDIA (CUDA) i AMD (ROCm).

Firma pokazuje też przykłady użycia. Model napisał skrypt w Pythonie budujący stopiony polietylen, uruchomił GROMACS, wykrył i naprawił błąd topologii, po czym wznowił symulację. Przeanalizował też sieć reakcji przegrupowania Irelanda–Claisena z 27 strukturami i 30 reakcjami.

Osobny przykład to „kompilacja laboratoryjna”. Model napisał protokół JSON dla badania sprzęgania Suzukiego w 12 fiolkach, a wirtualna próba wychwyciła pobieranie cieczy bez świeżej końcówki pipety. Model poprawił kolejność czynności i skompilował protokół. Deep Principle przedstawia takie sprawdzanie przed wykonaniem jako odpowiedź na obawy o bezpieczeństwo większej autonomii AI w laboratorium. Opisano jednak pojedynczy przykład, a nie systematyczny test.