Deep Principle lançou o Hydrogen-1.0, um modelo científico de pesos livres para química, ciência dos materiais e ciências da vida. Ele é construído após o pós-treinamento do GLM-5.3 da Z.ai em dados de domínio, registros laboratoriais e trajetórias de descoberta de agentes. Para desenvolvedores, oferece pesos abertos que relatam uma vitória em FrontierScience-Research sobre o GPT-6-Astra. Os pesos são distribuídos sob a Licença MIT. TL;DR Tamanho: 753B parâmetros (MoE, ~40B ativos por base do GLM-5.3), contexto de 1M tokens, saída máxima de 128K. Executa em: 8 GPUs com SGLang (testado); NVFP4 para NVIDIA B200/B300, MXFP4 para AMD MI350X/MI355X. Desempenho: Supera o GPT-6-Astra em FrontierScience-Research; aproximadamente igual ao Kimi-K3 em GPQA-Diamond. Melhor: 38,3% em FrontierScience-Research vs 33,3% para GPT-6-Astra (auto-relatado). Pior: fica atrás do GPT-6-Astra (máxima reflexão) em 3,33 pontos na elucidação de estruturas de NMR. O que é Hydrogen-1.0? Hydrogen-1.0 é um modelo de assistente de pesquisa científica da Deep Principle, uma empresa de IA para materiais sediada em Hangzhou. O cartão do modelo descreve-o como um derivado do GLM-5.3 para solução de problemas científicos. Ele visa a formulação de questões, planejamento experimental, análise de resultados e descoberta aberta. A equipe da Deep Principle afirma que modelos proprietários produziram resultados recentes em IA científica, mas suas capacidades de descoberta não são abertas. Hydrogen-1.0 é a tentativa de oferecer uma alternativa reproduzível e inspectável. Como o Hydrogen-1.0 foi treinado? A pipeline combina ajuste fino supervisionado (SFT) com aprendizado por reforço (RL). Os dados vêm de 4 fontes: Conhecimento de domínio: dados de química, ciência dos materiais e ciências da vida. Cenários de pesquisa: feedback específico da tarefa de cientistas da Deep Principle. Registros laboratoriais: registros completos de caderno eletrônico de laboratório capturados por meio do Mira. Trajetórias de descoberta: sequências de escolhas e feedback, incluindo tentativas falhas. A infraestrutura se baseia em Megatron e SGLang em CUDA NVIDIA e ROCm AMD. A equipe mantém atenção escassa causal dinâmica em shards paralelos de contexto. Muon.
Fonte: MarkTechPost
Publicado em 2026-11-02