Deep Principle, startup cinese di Hangzhou specializzata nell'intelligenza artificiale per i materiali, ha pubblicato Hydrogen-1.0, un modello a pesi aperti pensato per la ricerca in chimica, scienza dei materiali e scienze della vita. Il modello è disponibile con licenza MIT e, secondo l'azienda, supera GPT-6-Astra in un test di ricerca scientifica, pur restando dietro in un compito di analisi strutturale.
Hydrogen-1.0 non nasce da zero. Deep Principle ha preso come base GLM-5.3, il modello aperto di Z.ai, e lo ha sottoposto a una fase di post-addestramento combinando messa a punto supervisionata e apprendimento per rinforzo. I dati di partenza provengono da quattro fonti: conoscenze di dominio in chimica, scienza dei materiali e scienze della vita; scenari di ricerca con feedback dei ricercatori dell'azienda; registri di laboratorio raccolti tramite il quaderno elettronico di laboratorio; e traiettorie di scoperta, cioè sequenze di scelte e risultati, inclusi i tentativi falliti. È proprio quest'ultimo elemento a distinguere il modello dai sistemi addestrati solo su letteratura scientifica.
Immagine: digg.com — https://digg.com/science/ftqpdrb6
Sul piano dei numeri, Deep Principle dichiara per Hydrogen-1.0 il 38,3% su FrontierScience-Research, contro il 33,3% di GPT-6-Astra, e il 93,0% su GPQA-Diamond, risultato che secondo l'azienda lo porta in linea con Kimi-K3. Sono valori riportati dal produttore, non verificati in modo indipendente. Nei test interni sul calcolo scientifico Hydrogen-1.0 supera GPT-6-Astra di 5,13 punti percentuali, e nella previsione delle reazioni chimiche di 4,76 punti. Nell'analisi delle strutture tramite risonanza magnetica nucleare (NMR), invece, GPT-6-Astra è avanti di 3,33 punti.
Nel progetto di complessi di metalli di transizione, i modelli dovevano aumentare un parametro legato alla stabilità elettronica in cinque cicli. Alla quinta iterazione Hydrogen-1.0 raggiunge in media 4,318 eV, contro 3,689 eV di GPT-6-Astra e 3,353 eV di Kimi-K3. Nella pianificazione sperimentale, su 117 domande, Hydrogen-1.0 ottiene un punteggio superiore a quello di Kimi-K3; GPT-6-Astra e Opus-5.5 sono stati esclusi dopo aver rifiutato più della metà delle richieste.
In un flusso di lavoro reale, il modello scrive codice Python per costruire un fuso di polietilene e lancia il software di simulazione GROMACS. Rileva un errore nella topologia, lo corregge e analizza una traiettoria di 40 nanosecondi. Dimostra anche di saper costruire una rete di reazioni di 27 strutture e di classificare sette possibili prodotti di una reazione a partire da una traccia di spettroscopia NMR.
I pesi sono disponibili su Hugging Face e ModelScope. Il team di Deep Principle ha testato il servizio con SGLang su otto GPU. Esistono versioni quantizzate NVFP4 per le schede NVIDIA B200 e B300 e MXFP4 per le AMD MI350X e MI355X. Il modello ha una finestra di contesto da un milione di token, con un massimo di 128.000 token in output, e 753 miliardi di parametri totali di cui circa 40 miliardi attivi per ogni token. I dati completi di addestramento e le ricette non sono stati rilasciati.
Il prezzo dell'accesso via API non è stato comunicato da Deep Principle. Il rilascio segue la strategia di altri laboratori cinesi, che spostano il baricentro della corsa ai modelli di frontiera verso i pesi aperti. Il valore pratico per i ricercatori sta soprattutto nella possibilità di ispezionare e adattare il modello, cosa che i sistemi proprietari non consentono.
Ancora nessun commento. Puoi essere il primo!