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

ПараметрЧто сообщает разработчик
АрхитектураMixture of Experts, 753 млрд общих параметров
Активные параметрыОколо 40 млрд на токен по наследованию от GLM-5.3
КонтекстДо 1 млн токенов, максимальный ответ до 128 тыс.
ОбластьХимия, материаловедение и науки о жизни
ОткрытостьВеса под MIT; полные наборы данных и рецепты обучения не раскрыты
ЗапускSGLang, тестирована конфигурация на восьми GPU
ФорматыBF16, NVFP4 для B200/B300 и MXFP4 для MI350X/MI355X
Паспорт модели по публичным материалам Deep Principle

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

ПроверкаЗаявленный результатКак правильно читать
FrontierScience-Research38,3% против 33,3% у GPT-6-AstraСравнение из материалов Deep Principle
GPQA-Diamond93,0%, примерно на уровне Kimi-K3Не означает превосходство во всех научных задачах
Научные вычисленияПреимущество 5,13 п.п. над Astra max thinkingВнутренняя оценка разработчика
Forward reaction predictionПреимущество 4,76 п.п. над Astra max thinkingНужна проверка на независимых данных
NMR structure elucidationAstra max thinking выше на 3,33 п.п.Пример области, где Hydrogen уступает
Дизайн комплексов металлов4,318 эВ против 3,689 у Astra после пяти раундовВычислительная оптимизация HOMO–LUMO gap, не готовый материал
Результаты, заявленные Deep Principle, а не независимый рейтинг

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

  1. Молекулярная динамика: модель написала Python для сборки расплава полиэтилена, запустила GROMACS, обнаружила ошибку топологии, исправила её и проанализировала траекторию длиной 40 наносекунд.
  2. Реакционные пути: Hydrogen построила сеть из 27 структур и 30 возможных реакций для перегруппировки Ирланда–Клейзена, чтобы сравнить маршруты и потенциальные узкие места.
  3. Анализ ЯМР: модель ранжировала семь кандидатов продуктов моноформилирования 2-бромнафталина по спектру, но тест показывает, что эта область остаётся сложной.
  4. 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

  1. Выберите узкий процесс с понятным результатом, например анализ уже полученных данных, а не автономный запуск оборудования.
  2. Зафиксируйте исходные данные, версии библиотек, протокол и критерии допустимого ответа.
  3. Разделите вычислительный прогноз, лабораторное наблюдение и интерпретацию в структуре результата.
  4. Добавьте независимые проверки кода, единиц измерения, последовательности операций и совместимости оборудования.
  5. Храните неудачные попытки и ручные исправления, чтобы оценивать реальную надёжность, а не удачную демонстрацию.
  6. 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

ВопросПочему он важен
Есть ли собственный тест на ваших данныхПубличный benchmark не воспроизводит специфику лаборатории
Подтверждены ли выводы физическим экспериментомОтделяет вычислительный успех от научного
Какие отказы и ошибки были исключеныВлияет на честность сравнения
Какая инфраструктура нужна для весовОпределяет реальную стоимость и задержку
Кто утверждает опасные действияСнижает риск автономного исполнения ошибки
Сохраняется ли история решенийПозволяет воспроизвести и проверить исследование
Чек-лист для пилота научной модели

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.