Deep Principle veröffentlicht Hydrogen-1.0, ein wissenschaftliches Open-Weights-Modell auf Basis von GLM-5.3
Das Start-up Deep Principle hat Hydrogen-1.0 vorgestellt, ein Modell für Chemie, Materialwissenschaften und Life Sciences, das durch Post-Training von GLM-5.3 (Z.ai) auf eigenen Laborbüchern entstanden ist. Die Gewichte stehen unter MIT-Lizenz; die Benchmarks, darunter ein Vorsprung vor GPT-6 Astra, stammen vom Anbieter.
Das Start-up Deep Principle hat am 2. November Hydrogen-1.0 veröffentlicht, ein großes Sprachmodell, das auf Chemie, Materialwissenschaften und Life Sciences spezialisiert ist. Es handelt sich nicht um ein von Grund auf neu trainiertes Modell: Das Team griff auf GLM-5.3 zurück, das offene Modell von Z.ai, und unterzog es einem Post-Training mit eigenen Labordaten. Die Gewichte sind unter MIT-Lizenz auf Hugging Face und ModelScope verfügbar. Laut dem Anbieter übertrifft Hydrogen-1.0 OpenAIs GPT-6 Astra in einem Test für wissenschaftliche Forschung – ein Ergebnis, das bislang von keiner unabhängigen Stelle überprüft wurde.
Laborbücher als Trainingsdaten
Die beanspruchte Besonderheit liegt in den Daten. Neben Fachwissen aus Chemie, Materialforschung und Biologie nutzte Deep Principle die elektronischen Laborbücher der eigenen Teams: was die Forschenden herausfinden wollten, das angewandte Protokoll, Beobachtungen und das Resultat, einschließlich fehlgeschlagener Versuche. Hinzu kommen sogenannte „Entdeckungspfade“ – Abfolgen von Entscheidungen und Ergebnissen, die den Verlauf einer Forschungskampagne abbilden. Das Training kombiniert überwachtes Lernen mit Bestärkendem Lernen (Reinforcement Learning), das an den Forschungsergebnissen ausgerichtet ist.
Der Blog beschreibt zudem eine Trainingsinfrastruktur, die sowohl auf GPUs von Nvidia (CUDA) als auch von AMD (ROCm) auf Basis von Megatron und SGLang läuft. Laut der Hugging-Face-Modellkarte verarbeitet das Modell ein Kontextfenster von 1 Million Token und liefert bis zu 128 000 Token als Ausgabe. Das Repository weist ein Modell mit rund 753 Milliarden Parametern aus, getestet auf 8 GPUs – für einen regulären Desktop-Arbeitsplatz ist es somit nicht gedacht. Auf 4 Bit quantisierte Versionen stehen für Nvidia-Blackwell-Chips (NVFP4) sowie AMD Instinct MI350X und MI355X (MXFP4) bereit. Die vollständigen Datensätze und Trainingsrezepte sind nicht öffentlich zugänglich.
Was die Benchmarks des Anbieters zeigen
Laut Chenru Duan von Deep Principle erzielt Hydrogen-1.0 38,3 Prozent bei FrontierScience-Research gegenüber 33,3 Prozent für GPT-6 Astra sowie 93,0 Prozent bei GPQA Diamond. Im Blog heißt es, dieser letzte Wert liege etwa auf dem Niveau von Kimi K3, dem offenen Modell von Moonshot. In drei internen Szenarien übertrifft das Modell laut Duan bei maximaler Denkzeit GPT-6 Astra im wissenschaftlichen Rechnen (76,9 Prozent gegenüber 71,8 Prozent) und bei der Reaktionsvorhersage (90,5 Prozent gegenüber 85,7 Prozent), schneidet jedoch bei der Strukturaufklärung mittels NMR schlechter ab (26,7 Prozent gegenüber 30,0 Prozent).
Zudem hebt der Anbieter einen Test zur Materialsuche hervor: Über fünf Runden hinweg schlägt das Modell Übergangsmetallkomplexe vor und erhält die Rückmeldung zu den eigenen Auswahlen. In der fünften Runde liegt die beste durchschnittliche HOMO-LUMO-Lücke bei Hydrogen-1.0 bei 4,318 eV, verglichen mit 3,689 eV bei GPT-6 Astra und 3,353 eV bei Kimi K3. Diese Tests basieren auf internen Auswertungen, deren Testdatensätze nicht öffentlich vorliegen.
Wo das Modell nutzbar ist
Das Modell steht auf vier Wegen zur Verfügung: als Download der Gewichte auf Hugging Face (nach Zustimmung zur Weitergabe von Nutzerdaten) und ModelScope, per API beim Trainingspartner NeuroSpark sowie im Tool Mira, dem „AI Scientist“ von Deep Principle. Die Modellkarte weist darauf hin, dass die Ausgaben faktische Fehler, Fehlberechnungen oder falsche Quellenangaben enthalten können und vor einer weiteren Verwendung überprüft werden sollten.
Unsere Einschätzung
Hydrogen-1.0 verdeutlicht einen klaren Trend: Offene chinesische Modelle wie GLM-5.3 dienen Fachexperten zunehmend als Fundament, um sie mit eigenen Branchendaten zu verfeinern. Das Argument von Deep Principle ist prinzipiell stichhaltig: Laborbücher mitsamt ihren Fehlschlägen sind seltene Daten, über die große Allround-Labore nicht verfügen. Doch die Belege stammen bislang ausschließlich vom Anbieter selbst. Der Vorsprung vor GPT-6 Astra stützt sich auf einen einzelnen öffentlichen Test, der Abstand bei GPQA Diamond ist gering, und die stärksten Resultate entstammen internen Benchmarks. Auch das Detail zur Versuchsplanung verdient Beachtung: GPT-6 Astra und Claude Opus 5.5 fielen aus dem Vergleich heraus, weil sie die Mehrzahl der Anfragen verweigerten – das sagt ebenso viel über die Sicherheitsvorgaben proprietärer Modelle aus wie über die Fähigkeiten von Hydrogen-1.0. Schließlich ist die MIT-Lizenz ein echter Vorteil für Forschungseinrichtungen, doch die schiere Modellgröße beschränkt den lokalen Einsatz auf Teams mit Zugriff auf Multi-GPU-Server.
Quellen
- Deep Principle — Introducing Hydrogen-1.0 (Tech-Blog) Primärquelle
- Hugging Face — Modellkarte deep-principle/Hydrogen-1.0 Primärquelle
- ModelScope — Hydrogen-1.0 Primärquelle
- Deep Principle auf X — Ankündigung von Hydrogen-1.0 Primärquelle
- Chenru Duan (Deep Principle) auf X — Veröffentlichte Benchmark-Ergebnisse Primärquelle
- Chenru Duan (Deep Principle) auf X — Ergebnisse der internen Szenarien Primärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
