Deep Principle представила Hydrogen-1.0 — научную модель с открытыми весами для химии, материаловедения и наук о жизни. Она предназначена не только для ответов на вопросы по учебнику, но и для последовательной исследовательской работы: формулировки гипотезы, планирования эксперимента, запуска вычислительных сценариев, анализа результатов и выбора следующего шага.
Модель показали 4 ноября 2026 года, а техническое описание появилось в начале месяца. В официальном анонсе Deep Principle описывает четыре способа применения: через Mira, загрузку весов с Hugging Face или ModelScope и обращение через NeuroSpark. Подробный разбор архитектуры и тестов опубликовал MarkTechPost.
Главные характеристики Hydrogen-1.0
| Параметр | Что сообщает разработчик |
|---|---|
| Архитектура | Mixture of Experts, 753 млрд общих параметров |
| Активные параметры | Около 40 млрд на токен по наследованию от GLM-5.3 |
| Контекст | До 1 млн токенов, максимальный ответ до 128 тыс. |
| Область | Химия, материаловедение и науки о жизни |
| Открытость | Веса под MIT; полные наборы данных и рецепты обучения не раскрыты |
| Запуск | SGLang, тестирована конфигурация на восьми GPU |
| Форматы | BF16, NVFP4 для B200/B300 и MXFP4 для MI350X/MI355X |
Открытые веса позволяют исследовать модель и развернуть её в собственной инфраструктуре, но не делают запуск простым. Даже при разреженной архитектуре нужно хранить большой объём весов, организовать подходящие GPU, проверить квантование и обеспечить воспроизводимое окружение. Поэтому «можно скачать» и «можно недорого использовать» — разные утверждения.
Чем научная модель отличается от универсального чата
Обычная языковая модель может пересказать статью или предложить список экспериментов. Научная специализация требует другого поведения: сохранять связь между целью, действием, наблюдением и пересмотром гипотезы; различать неудачный эксперимент и ошибку протокола; не выдавать рассчитанное свойство за измеренное. Hydrogen-1.0 обучали именно на таких последовательностях.
В обучающую смесь вошли данные по предметным областям, обратная связь учёных, полные записи электронных лабораторных журналов Mira и траектории открытий. Важно, что среди них сохранялись не только успешные действия, но и неудачные попытки. Это приближает обучение к реальному исследованию, где отрицательный результат влияет на следующий выбор.
Deep Principle использовала supervised fine-tuning для примеров рассуждений, протоколов и анализа, а затем reinforcement learning с обратной связью по исследовательским результатам. При этом открытость весов не равна полной воспроизводимости обучения: разработчик прямо не раскрывает все данные и полный рецепт. Более широкий набор артефактов публикует открытый флот K2 Horizon.
Что показали тесты
| Проверка | Заявленный результат | Как правильно читать |
|---|---|---|
| FrontierScience-Research | 38,3% против 33,3% у GPT-6-Astra | Сравнение из материалов Deep Principle |
| GPQA-Diamond | 93,0%, примерно на уровне Kimi-K3 | Не означает превосходство во всех научных задачах |
| Научные вычисления | Преимущество 5,13 п.п. над Astra max thinking | Внутренняя оценка разработчика |
| Forward reaction prediction | Преимущество 4,76 п.п. над Astra max thinking | Нужна проверка на независимых данных |
| NMR structure elucidation | Astra max thinking выше на 3,33 п.п. | Пример области, где Hydrogen уступает |
| Дизайн комплексов металлов | 4,318 эВ против 3,689 у Astra после пяти раундов | Вычислительная оптимизация HOMO–LUMO gap, не готовый материал |
Самое полезное в таблице — не одно победное число, а разница между задачами. Hydrogen-1.0 может быть сильна в планировании и вычислительном поиске, но уступать в интерпретации ЯМР. Сравнение с Astra также зависит от режима рассуждения и правил теста. Поэтому не стоит переносить результат одного benchmark на весь научный процесс.
В оценке планирования экспериментов разработчик сообщает о более высокой средней оценке, чем у Kimi-K3. Однако GPT-6-Astra и Opus-5.5 были исключены из части сравнения после отказов более чем на половине запросов. Это не позволяет считать таблицу полноценным общим рейтингом: методика отбора влияет на вывод.
Четыре практических сценария
- Молекулярная динамика: модель написала Python для сборки расплава полиэтилена, запустила GROMACS, обнаружила ошибку топологии, исправила её и проанализировала траекторию длиной 40 наносекунд.
- Реакционные пути: Hydrogen построила сеть из 27 структур и 30 возможных реакций для перегруппировки Ирланда–Клейзена, чтобы сравнить маршруты и потенциальные узкие места.
- Анализ ЯМР: модель ранжировала семь кандидатов продуктов моноформилирования 2-бромнафталина по спектру, но тест показывает, что эта область остаётся сложной.
- Лабораторный протокол: для 12 ячеек Suzuki coupling модель подготовила JSON и прошла виртуальную проверку, которая нашла попытку набора без нового наконечника до исполнения.
Последний пример особенно показателен: польза создаётся не одним текстом модели, а связкой с компилятором протокола и проверкой оборудования. Виртуальный прогон способен остановить неправильное действие до реальной работы. Это правильная архитектура для научных агентов: модель предлагает, независимая система проверяет ограничения, человек утверждает запуск.
Где Hydrogen-1.0 может сэкономить время
- Собрать обзор известных подходов и сформулировать проверяемые гипотезы.
- Превратить исследовательскую цель в черновик экспериментального плана.
- Подготовить код вычислительного эксперимента и разобрать журнал ошибки.
- Сравнить кандидатов по заранее заданным свойствам и объяснить ранжирование.
- Сопоставить наблюдения с ожиданиями и предложить следующий контрольный опыт.
- Оформить лабораторный журнал, список допущений и отчёт для коллег.
Но модель не должна самостоятельно решать, что вещество безопасно, реакция воспроизводима, а материал пригоден к применению. Для этого нужны физические измерения, контроль чистоты, повторяемость, калибровка приборов и экспертная оценка. В фарме дополнительно требуются доклинические и клинические этапы — об этом подробно в материале про Isomorphic Labs и клиническая проверка.
Как внедрять научного агента без потери контроля
- Выберите узкий процесс с понятным результатом, например анализ уже полученных данных, а не автономный запуск оборудования.
- Зафиксируйте исходные данные, версии библиотек, протокол и критерии допустимого ответа.
- Разделите вычислительный прогноз, лабораторное наблюдение и интерпретацию в структуре результата.
- Добавьте независимые проверки кода, единиц измерения, последовательности операций и совместимости оборудования.
- Храните неудачные попытки и ручные исправления, чтобы оценивать реальную надёжность, а не удачную демонстрацию.
- Запрещайте исполнение потенциально опасных шагов без явного подтверждения ответственного специалиста.
Проанализируй научный протокол как черновик, а не как инструкцию к немедленному исполнению.
Верни пять разделов:
1. Цель и проверяемая гипотеза.
2. Исходные данные и чего не хватает.
3. Вычислительные прогнозы отдельно от измеренных фактов.
4. Риски, контрольные опыты и условия остановки.
5. Что должен подтвердить специалист до лабораторной работы.
Не придумывай результаты измерений и не называй кандидат безопасным без данных.Как использовать СуперИнтеллект в исследовательском процессе
До появления специализированной модели в рабочем контуре команда может решать вспомогательные задачи в СуперИнтеллекте: сравнивать публикации, извлекать методику, составлять матрицу доказательств, проверять единицы измерения и готовить вопросы к научному руководителю. Astra подходит для сложного анализа, Claude — для структурирования и редактирования, Kimi и Qwen — для дополнительных сценариев сравнения.
База знаний помогает держать внутренние статьи и протоколы в одном контексте, а цифровой сотрудник — повторять согласованный формат разбора. Для исполнения действий стоит ограничивать инструменты и оставлять утверждение человеку. Практическая база по документам — в 12 применений ИИ в исследованиях, сравнение общей модели — в обзор GPT-6.2 Astra.
Что проверить перед выбором Hydrogen-1.0
| Вопрос | Почему он важен |
|---|---|
| Есть ли собственный тест на ваших данных | Публичный benchmark не воспроизводит специфику лаборатории |
| Подтверждены ли выводы физическим экспериментом | Отделяет вычислительный успех от научного |
| Какие отказы и ошибки были исключены | Влияет на честность сравнения |
| Какая инфраструктура нужна для весов | Определяет реальную стоимость и задержку |
| Кто утверждает опасные действия | Снижает риск автономного исполнения ошибки |
| Сохраняется ли история решений | Позволяет воспроизвести и проверить исследование |
Частые вопросы
Hydrogen-1.0 полностью открыта?
Веса распространяются под разрешительной лицензией MIT, но полные обучающие данные и рецепты не раскрыты. Это открытая по весам модель, а не полностью воспроизводимый учебный запуск от исходных данных до финального чекпоинта.
Hydrogen-1.0 лучше GPT-6-Astra?
По отдельным тестам Deep Principle заявляет преимущество, но по NMR Astra max thinking оказалась выше. Независимых подтверждений всей таблицы недостаточно. Правильный ответ зависит от задачи, режима рассуждения и собственной проверки.
Можно ли запустить модель на обычном компьютере?
Полноразмерная модель рассчитана на серверную инфраструктуру; разработчик тестировал SGLang на восьми GPU. Квантованные версии снижают требования к памяти, но не превращают 753B-модель в обычное локальное приложение.
Может ли Hydrogen сама проводить эксперименты?
Она может готовить протоколы и взаимодействовать с вычислительными или лабораторными инструментами через внешнюю систему. Безопасная схема требует компилятора, проверок оборудования, виртуального прогона и подтверждения специалиста.
Есть ли Hydrogen-1.0 в СуперИнтеллекте?
На момент подготовки материала она не заявлена как активная запись каталога. В СуперИнтеллекте можно использовать другие доступные модели для литературы, анализа данных, проверки логики и исследовательской документации.
Итог и источники
Hydrogen-1.0 — заметный шаг от универсальных ответов к открытой модели исследовательского процесса. Её сильная сторона — обучение на лабораторных траекториях и примеры работы с протоколами, кодом и итеративным поиском. Но результаты разработчика нужно отделять от независимой науки, а вычислительный прогноз — от физического эксперимента. Источники: анонс Deep Principle и технический обзор MarkTechPost. Смежные темы: Isomorphic Labs и клиническая проверка, открытый флот K2 Horizon и гранты OpenAI исследователям.
Попробуйте модели для научного анализа в СуперИнтеллекте — GPT-6.2, Claude, Gemini, Kimi и Qwen, базы знаний и цифровые сотрудники, ПК-версия для macOS, Windows и Linux, 100 нейронов в месяц бесплатно, оплата картой РФ или по счёту.



