Hydrogen-1.0: открытая модель для химии обошла GPT-6-Astra на 5 пунктов

Deep Principle дообучила GLM-5.3 от Z.AI на химии, материаловедении и life sciences. На FrontierScience-Research вышло 38,3% против 33,3% у GPT-6-Astra (замеры компании и обзор RuntimeWire, 02.11.2026).

Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.

На этой же модели компания строит помощника Mira AI Scientist, который тащит контекст между шагами работы. Что показал прошлый опыт, встречалось ли похожее, что пробовать дальше.

Где выигрыш, где нет. В режиме максимального размышления Hydrogen-1.0 опережает GPT-6-Astra на 5,13 пункта в научных расчётах и на 4,76 в прямых реакциях. На расшифровке структуры по NMR проигрывает: GPT-6-Astra выше на 3,33 пункта. В поиске комплексов переходных металлов к пятому раунду у неё лучший средний результат по зазору HOMO–LUMO, 4,318 эВ против 3,689 у GPT-6-Astra и 3,353 у Kimi-K3.

Как запустить. Авторы дают команду для SGLang на 8 GPU: `python -m sglang.launch_server --model-path deep-principle/Hydrogen-1.0 --tp 8 --trust-remote-code`. Память нужна под полные BF16-веса, запросы принимают `reasoning_effort: "max"`.

Под 753B памяти может не хватить. На этот случай выложены квантованные сборки: NVFP4 на 381B для NVIDIA Blackwell B200 и B300, MXFP4 на 384B для AMD Instinct MI350X и MI355X. Контекст у модели 1 млн токенов на вход и максимум 128K на выход.

К модели четыре двери: открытые веса на Hugging Face и ModelScope, API через NeuroSpark, встроенный доступ внутри платформы Mira AI Scientist. API компания оценила по тарифам GLM-5.3, надбавки за научный пост-тренинг нет.

Раньше модель такого уровня по научным задачам приходилось брать через закрытый API и верить таблицам вендора. Теперь веса открыты, и спорный прогон по NMR каждый считает у себя.

Веса под MIT лежат с 02.11.2026, дальше слово за независимыми прогонами.