国产AI科学模型Hydrogen-1.0开源，权重全开放

DeepPrinciple 团队将 GLM-5.3 后训练为科学模型 Hydrogen-1.0，权重全开放，已在 Hugging Face、ModelScope 上线，并在 NeuroSpark 提供 API、在 AI 科学家产品 Mira 中可直接使用。训练数据涵盖化学、材料、生命科学领域数据及团队实验室实验记录，包括失败实验记录。

横向看，OpenAI 用 AI agent 证明 Navier-Stokes 方程有限时间奇点并配 Lean 形式化；Anthropic 通过基因组分析和实验室验证发现带 CRISPR 样重复序列的酶系统。共识是模型已能参与真实科学发现，提出可被数学或实验验证的想法，但这些模型权重闭源。Hydrogen-1.0 的意义在于用开源权重重铺这条路径，并把从领域知识到实验记录再到发现轨迹的整条链路摊开。

评测方面，Hydrogen-1.0 在 FrontierScience-Research 上超过 GPT-6-Astra，在 GPQA-Diamonds 上高于起点 GLM-5.3，基本追平 Kimi-K3。发布页还给出性能对成本的图，横轴为输出侧 API 价格。内部场景评测中，科学计算、单步正向反应预测两项最高思考档下分别比 GPT-6-Astra 高 5.13 和 4.76 个百分点，NMR 结构解析低 3.33。发布页注明不同任务绝对分数差异反映内部题目难度，不能直接当作横向能力比较。

演示案例更能说明问题。聚合物分子动力学任务中，模型自己写 Python 搭聚乙烯熔体、跑 GROMACS，中途发现拓扑结构错误，自行检测、修复并重启，最终给出 40 纳秒轨迹并继续分析密度、分子堆积、扩散和链尺寸。Ireland-Claisen 重排反应网络案例中，模型铺开 27 个分子结构、30 条反应记录，找潜在瓶颈、比较竞争路线，属于几十步推理链。NMR 解析中，模型从 2-溴萘的 7 个可能单甲酰化产物出发逐个评估候选结构。实验室编译案例中，12 管 Suzuki 偶联实验的 JSON 协议在虚拟预演时被模型抓住“吸液没换新枪头”的低级错误并改正，执行前拦住错误，缓解 AI 自主性带来的安全问题。

训练管线为 SFT 加 RL。SFT 提供推理、实验规划、协议设计、结果分析示例，RL 让模型根据研究结果反馈优化决策。数据分四块：领域知识、科学家任务级反馈、实验室记录、完整发现轨迹。团队通过电子实验记录本配合 Mira 智能体文档化，保留实验完整上下文。工程细节包括全模型 MoE 后训练、Muon 优化器、FP32 主权重和动量在 CUDA 上放 CPU、ROCm 上动量卸载到磁盘、长序列离线打包、动态稀疏注意力跨卡因果约束、可恢复强化学习 rollout、训练 BF16 与推理 FP8 之间用双向适配器衔接，并在归因训练收益前做零梯度更新导出和量化漂移检查。

长期实验中，过渡金属配合物设计任务五轮迭代后，Hydrogen-1.0 最佳 HOMO-LUMO 带隙达 4.318 eV，GPT-6-Astra 为 3.689，Kimi-K3 为 3.353，显示模型在只有自身反馈下逐步向目标性质靠拢。边界也需说明：评测多来自内部场景，领先幅度为几个百分点，需更多第三方复现；NMR 一项团队承认不如 Astra。科学模型离替代科研决策仍有距离，但科学发现能力正首次以开源权重方式交到所有人手里。