DeepPrinciple 开源科研模型 Hydrogen-1.0：7530 亿参数，写模拟代码还能自己修

让大模型写代码不稀奇，但如果写出来的分子动力学模拟脚本报错了，模型还能自己看懂报错日志、修改拓扑文件并重新跑通，这就有点真研究员的意思了。

DeepPrinciple 最近开源了一款专门面向化学、材料与生命科学的研究模型 Hydrogen-1.0。这款模型拥有 7530 亿参数，基于智谱的 GLM-5.3 进行全模型后训练打造，并且直接放出了权重。

在科研基准测试中，Hydrogen-1.0 在 FrontierScience-Research 上超过了 GPT-6-Astra，在 GPQA-Diamonds 上的表现也超过了基座 GLM-5.3，综合水平紧咬 Kimi-K3。

写模拟、修代码，甚至替实验台排工序

科研中最耗时的往往不是提出想法，而是把想法变成可执行的代码和实验操作。

在聚乙烯分子模拟测试中，Hydrogen-1.0 能够自主编写 Python 脚本构建聚乙烯熔体并调用 GROMACS 运行。当系统检测到拓扑错误时，模型自行定位了代码缺陷，修好后重新启动，并完成了后续 40 纳秒轨迹的扩散与密度分析。

在分析化学和有机合成场景下，它同样展现了专业水准。面对 2-溴萘的单甲酰化产物核磁共振谱图，它能结合低场信号与芳香区特征比对候选分子；在爱尔兰-克莱森重排反应中，它一口气推演了包含 30 步反应的反应网络，并评估了各条路径的电子势垒。

更有意思的是所谓的实验室编译。当模型设计出一套 12 瓶规模的铃木偶联实验方案后，系统会在虚拟环境中先排练一遍。如果发现机械臂在没有更换新吸头的情况下试图吸液，模型会立即调整动作顺序，重新编译出符合自动化设备要求的 JSON 指令。

从失败的实验里学出科研直觉

很多科研模型只会背论文，但真实的科研充满死胡同。Hydrogen-1.0 的训练数据里，包含了大量来自电子实验记录本的真实记录，其中甚至包括失败的尝试和意料之外的结果。

团队通过监督微调和强化学习，让模型学习科学决策的完整轨迹。在过渡金属配合物设计的闭环测试中，模型需要在未知空间寻找能隙更大的分子。经过五轮推荐与独立反馈，Hydrogen-1.0 找到的最优分子能隙达到了 4.318 eV，明显高于 GPT-6-Astra 的 3.689 eV。

为了训练这个庞然大物，团队针对英伟达 CUDA 与 AMD ROCm 深度优化了底层基础设施，解决了长上下文动态稀疏注意力与显存调度的难题。

目前模型权重已经在 Hugging Face 开放，提供了完整版、适配英伟达 GPU 的 FP4 版本以及适配 AMD 的 MX 版本。不过，即便最小的 FP4 版本体积也达到了 464GB，这意味着普通单卡根本跑不动，必须依赖多卡集群。

为什么重要

我们认为，Hydrogen-1.0 最打动人的地方在于把科研 AI 从概念验证推向了执行层。

过去 OpenAI 或 Anthropic 展示的 AI 科研成果，背后的模型几乎都是闭源的黑盒，外界既无法复现，也没法部署进自己的私有实验室。Hydrogen-1.0 把一个具备极高专业水平的千亿级模型完全开源，让高校和药企有机会直接在本地搭建自主科研智能体。

更聪明的是它的实验室预编译设计。自动化湿实验的试剂和设备损耗极高，让 AI 随意控制硬件非常危险。在虚拟环境中先抓出操作冲突，给科研智能体的安全性提供了非常落地的解法。

不过，现实的门槛依然很苛刻。464GB 的最小体积注定它不是给独立研究员在个人电脑上玩的玩具，想要真正部署并连接自动化硬件，依然需要很高的算力成本与工程能力。而且在细粒度的核磁共振解析等绝对精度上，它与顶尖闭源模型相比仍有少许差距。但毫无疑问，开源科研大模型已经跨过了玩具阶段，开始真正帮人类科学家省时间了。