杭州 AI for Science 公司 Deep Principle（深度原理）11 月 2 日发布首个通用科研大模型 Hydrogen-1.0，在智谱 GLM-5.3 上用化学、材料、生命科学数据以及自家实验室记录和发现轨迹做 SFT+RL 后训练，以 MIT 许可在 Hugging Face 开放约 7530 亿参数的 BF16 权重。厂商口径下它在 FrontierScience-Research 上拿到 38.3%，高于 GPT-6 Astra 的 33.3%，但均为自测，尚无独立复现。
核心要点速览
- ✓规模：Hugging Face 显示总参数约 7530 亿（BF16，权重约 1.5 TB），架构为 glm_moe_dsa，上下文 1M token、最长输出 128K token，MIT 许可（需在 HF 同意条款后下载）。
- ✓跑分（厂商口径）：FrontierScience-Research 38.3%，GPT-6 Astra 为 33.3%；GPQA Diamond 93.0%，官方称大致与 Kimi K3 持平。
- ✓内部场景（厂商口径）：科学计算和单步正向反应预测分别领先最高思考档 GPT-6 Astra 5.13 和 4.76 个百分点，NMR 结构解析则落后 3.33 个百分点。
- ✓材料发现：过渡金属配合物五轮搜索后，平均最佳 HOMO-LUMO 带隙 4.318 eV，GPT-6 Astra 为 3.689 eV，Kimi K3 为 3.353 eV（官方博客）。
- ✓获取方式：HF 与 ModelScope 下载权重，另有 NVFP4（B200/B300）和 MXFP4（MI350X/MI355X）量化版；NeuroSpark 提供 API，Mira AI Scientist 可直接使用；官方用 SGLang 8 卡测试。
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
近来 AI 做科研的亮眼成果大多出自闭源模型，研究者拿不到权重，难以检查、复现或改造。Deep Principle（深度原理，联合创始人兼 CTO 段辰儒）11 月 2 日发布 Hydrogen-1.0，主打开放权重的科研模型，想证明在开源底座上做领域后训练也能追上闭源旗舰。
架构亮点与底层机制
模型以 GLM-5.3 为底座，沿用 MoE 加动态稀疏注意力（DSA），总参数约 7530 亿。训练分 SFT 和 RL 两段，数据包括领域知识、科学家反馈、含失败实验的完整实验记录和材料发现轨迹。基础设施基于 Megatron 和 SGLang，同时支持 CUDA 与 ROCm。
权威 Benchmark 与实测跑分对比
以下均为厂商自测口径，尚无第三方复现。FrontierScience-Research 得分 38.3%，GPT-6 Astra 为 33.3%；GPQA Diamond 93.0%。NMR 结构解析落后 Astra 3.33 个百分点。实验设计对比中 Astra 和 Opus 5.5 因拒答过半被排除，比较条件并不完全对等。
开发者实战落地与开箱指南
权重在 Hugging Face 的 deep-principle/Hydrogen-1.0，同意条款后可下载，BF16 约 1.5 TB。官方示例用 SGLang 8 卡部署，需要保留 generation_config.json，否则生成不会停止。显存不够可以用 NVFP4 或 MXFP4 量化版，也可以走 NeuroSpark API 或 Mira 平台试用。关键结论仍要用文献或实验复核。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察