不是从零训练，是把实验室经验灌进基座

Hydrogen-1.0 的起点是 GLM-5.3，不是新架构。Deep Principle 用监督微调加强化学习，把化学、材料、生命科学的领域知识、实验室记录和发现轨迹继续训练进去。官方的目标是让模型不仅答题，还能参与「提问题、设计实验、用证据修正下一步」。

这类后训练的价值取决于数据质量。实验室记录里有大量失败、偏差和未公开的直觉，这些是公开论文里没有的；如果数据清洗做得不好，也会把错误结论一起学进去。官方没有公开训练数据和配方，外部无法判断这一点。

分数与可用性

官方称 Hydrogen-1.0 在 FrontierScience-Research 上超过 GPT-6 Astra，在 GPQA Diamond 上比 GLM-5.3 有提升，整体接近开源前沿模型 Kimi-K3。这些是厂商自测，第三方尚未复现；官方也没有给出完整的评测方法和样本量。

可用性反而比较实在：BF16 权重在 Hugging Face 和 ModelScope，MIT 许可；NVFP4 版本面向 NVIDIA Blackwell，官方在 8 张 B300 上测过；MXFP4 版本面向 AMD MI350X/MI355X。另有 NeuroSpark API 和 Mira 里的 AI Scientist 入口。对需要把数据留在内网的实验室，权重开放比 API 更重要。

1M 上下文对科研意味着什么

100 万 token 上下文可以装下多篇论文、实验记录、代码和仪器日志，减少反复切片检索。但它不会自动提高推理正确率：上下文越长，模型越容易忽略中间段落，也越容易把不相关的内容拼成因果。真正要测的是「在 50 万 token 的混合材料里，能不能准确引用第 3 篇论文的表格」。

限制与风险

  • 官方模型卡明确提示：输出可能有事实、计算或引用错误，做决策前必须核验。
  • 训练数据与配方未公开，无法复现「超过 GPT-6 Astra」的具体条件。
  • 领域覆盖集中在化学、材料、生命科学，跨到临床、药物审批或工程安全时要重新评估。
  • MIT 许可只覆盖权重；第三方组件和基座模型仍各有自己的条款，商用前要逐项核对。

实验室怎么试

先建一个 20 到 50 题的内部盲测集，题目来自已经做过的实验，答案和原始记录都在手里。让模型做三件事：解释一个反常结果、设计下一个对照实验、从三篇论文里抽出可比较的数据。评分不只看「像不像」，要看事实、计算、引用和可执行性。通过后再接进日常流程，并且保留人工签字环节。

一句话：Hydrogen-1.0 把「实验室私有数据」变成了可下载的权重，但能不能信，要靠你自己的数据说话。