2026年11月2日，杭州 AI 材料科学公司 Deep Principle 发布并开源了面向化学、材料科学与生命科学的科研大模型 Hydrogen-1.0。该模型以 Z.ai 的 GLM-5.3 为基座（总参数 753B、激活参数约 40B 的 MoE 架构，标称 1M 上下文与 128K 最大输出），通过真实实验室记录和探索轨迹进行后训练。官方自测显示，它在 FrontierScience-Research 基准上拿下了 38.3% 的成绩，超过 OpenAI 闭源旗舰 GPT-6-Astra 的 33.3%。一家垂直初创公司用开源模型在硬核科研基准上反超闭源巨头，最值得拆解的并非参数规模，而是它如何靠实验室暗知识与对手的合规死角撕开缺口，以及光鲜跑分背后被隐藏的算力与评测真账本。
湿实验失败数据喂出的科研助手，专攻闭源巨头的合规死角
通用大模型做科研问答早已不新鲜，但要把模型塞进真实的化学生物实验室，往往卡在实操细节和安全护栏两道关口上。Deep Principle 的破局思路是把训练数据从公开文献延伸到湿实验现场，结合监督微调与强化学习，向模型喂入四类核心数据：化学与材料生命科学领域知识、公司内部科学家的任务反馈、通过自家 Mira 平台捕获的全周期电子实验记录本（ELN）数据，以及包含大量失败尝试的 Agent 探索轨迹。
这种包含负样本的后训练，直接体现在真实实验室工作流里。在官方展示的四个实操案例中，Hydrogen-1.0 能编写 Python 代码构建聚乙烯熔体并调用 GROMACS 模拟，自己发现拓扑错误、完成修复并分析修正后的 40 纳秒轨迹；能通过 30 个合理反应推演出包含 27 个结构的 Ireland-Claisen 反应网络；还能在生成 12 瓶 Suzuki 偶联实验的 JSON 协议时，配合虚拟实验室编译步骤，提前抓出移液操作中未更换新枪头的致命失误。
在硬指标上，Hydrogen-1.0 在 GPQA-Diamond 取得 93.0% 的成绩，与 2.8T 参数的 Kimi-K3 大致持平；在五轮过渡金属配合物设计任务中，它将最高占据分子轨道与最低未占分子轨道（HOMO-LUMO）能隙推高到 4.318 eV，高于 GPT-6-Astra 的 3.689 eV 和 Kimi-K3 的 3.353 eV。而在科学计算和正向反应预测上，它也分别领先最高思考模式下的 GPT-6-Astra 达 5.13 和 4.76 个百分点，仅在核磁共振（NMR）结构解析一项上落后 GPT-6-Astra 达 3.33 个百分点。
但真正暴露行业格局反差的，是 117 道实验设计与规划题目的评测结果。在这项采用 10 分制量表计算平均分的测试中，GPT-6-Astra 和 Opus-5.5 因为拒答率超过 50% 被直接剔除出局，最终只剩下 Hydrogen-1.0 与 Kimi-K3 同台对比并胜出。
闭源巨头被自家的安全护栏绑住了手脚，把科研规划市场拱手让人。
通用闭源旗舰为了防范化学生物放射核（CBRN）风险，设置了极度敏感的安全对齐策略，结果把大量正常的有机合成与生物实验规划一并拦截。对于药企和材料研发机构来说，一个动辄拒绝回答一半问题的模型根本无法进入日常管线，这恰恰给垂直开源模型留出了生存空间。
拆解跑分与成本滤镜：60 道题的小样本与被借用的价格标签
如果只看官方技术博客的图表，读者很容易得出一个直觉结论：国产垂直模型不仅在前沿科学基准上击败了 GPT-6-Astra，而且推理成本极低。但如果把评测协议和成本核算的底牌翻开，会发现两处值得推敲的方法论瑕疵。
首先是核心胜绩 FrontierScience-Research 基准的样本量与防污染盲区。该基准公开的黄金测试集仅包含 60 个由专家编写的子任务，原版评估协议采用 10 分制量表（达到或超过 7 分才算正确），并依赖 GPT-5 对中间推理过程和最终答案进行打分；就连设计该基准的 OpenAI 都曾明确指出，这只是一项受限评估，无法捕捉完整的科学发现过程。
更关键的是，Deep Principle 虽然开放了模型权重，却明确没有公开完整的训练数据集和训练配方。在外部无法审查数据构成的情况下，没有任何独立机制能排查这 60 道公开测试题与模型后训练语料之间是否存在数据重叠；而在 117 道实验规划题中直接剔除高拒答率对手的做法，也混淆了安全合规拒答与真实科研规划能力，严谨的学术报告本应分别列出拒答率与已回答题目的条件得分。
成本核算上的账面游戏同样需要买家留心。在官方发布的成本对比图表中，Hydrogen-1.0 并没有采用实际测量的硬件部署成本，而是直接拿基座模型 GLM-5.3 的云端 API 定价（输入每百万 token 1.40 美元、输出 4.40 美元）作为代理估算。不仅如此，在科学问答和实验规划两项对比中，核算口径仅计入了输出与推理 token 的开销，完全没有包含输入 token 与打分模型的成本；只有到内部研究任务评测时，才把输入输出成本与缓存折扣一并算进去。
| 模型名称 | 总参数 / 激活参数 | 权重与开源许可 | FrontierScience 得分 | API 定价（每百万输入/输出） |
|---|---|---|---|---|
| Hydrogen-1.0 | 753B / ~40B | MIT 协议开放权重 | 38.3% | 未披露（借用 GLM-5.3 估算） |
| GLM-5.3 | 753B / 40B | GLM-5.3 许可开放 | 未披露 | $1.40 / $4.40 |
| Kimi-K3 | 2.8T / 16 专家激活 | 开放权重 | 未披露 | $3.00 / $15.00 |
| GPT-6-Astra | 未披露 | 闭源专有 | 33.3%（Deep Principle 测） | $10.00 / $50.00 |
- 风险.由于完整训练数据集和配方未公开，外部团队无法仅凭现有仓库复现训练过程，也无法自行验证测试集污染率，直接照搬官方跑分做采购决策存在预期落差。
MIT 协议不等于平民玩具，8 张 B300 划出重资产分水岭
在开源合规设计上，Deep Principle 给出了相当清爽的分层方案：BF16、NVFP4 和 MXFP4 三个版本的模型权重全部采用 MIT 协议开放，公司独立编写的代码和文档采用 Apache 2.0 协议，第三方文件则保留各自原有许可。这种宽松授权消除了药企和化工巨头将模型集成进内部专有系统的法务顾虑，同时其基于 Megatron 和 SGLang 构建的底层架构横跨了英伟达 CUDA 与 AMD ROCm 生态，为非英伟达算力切入高端科学计算提供了一块试验田。
但开放权重（Open-Weight）绝不等于普通高校课题组能轻松玩转的平民工具。为了跑动这个 753B 参数的庞然大物，官方硬件部署文档给出了极为昂贵的基准环境：NVFP4 量化版是在 8 张 NVIDIA B300 上通过 SGLang 完成测试的，且示例配置中使用 FP8 KV cache 时，实际配置的上下文长度仅为 262,144 tokens，只有标称 1M 上限的四分之一左右；而面向 AMD 硬件的 MXFP4 版本，则是在 AMD Instinct MI350X 上使用 ATOM 框架和张量并行度 4（TP4）完成测试，期间还直接禁用了投机解码。
这意味着，用 GLM-5.3 的云端 API 价格去估算 Hydrogen-1.0 的使用成本，掩盖了本地私有化部署时高达数百万人民币的机房硬件折旧。对于手里握有核心分子结构与配方机密的大型药企、化工巨头而言，为了保护商业机密并绕开 OpenAI 动辄过半的合规拒答，掏出 8 张 B300 级别的预算做私有化部署是一笔算得过来的账；但对于算力拮据的中小实验室来说，这依然是一场看得到权重却跑不起满血版的巨头游戏。
截至目前，Hugging Face 上 deep-principle/Hydrogen-1.0 主仓库的社区讨论区（Discussions）还没有任何帖子，外部开发者的独立复现反馈尚处空白。
- 建议.手握重型算力的药企与材料研发团队，可优先拉取 NVFP4 或 MXFP4 权重，在内部湿实验错题集与电子实验记录规范检查上做小规模盲测；普通高校课题组无需盲目凑卡本地部署，不妨等待其 NeuroSpark 平台公布实际 API 定价后再做定夺。