Deep Principle publica Hydrogen-1.0, un modelo científico de pesos abiertos derivado de GLM-5.3
La startup Deep Principle ha publicado Hydrogen-1.0, un modelo para química, ciencia de materiales y ciencias de la vida, obtenido mediante el posentrenamiento de GLM-5.3 de Z.ai con sus propios cuadernos de laboratorio. Los pesos cuentan con licencia MIT; las puntuaciones, incluida una ventaja frente a GPT-6 Astra, proceden de la empresa.
La startup Deep Principle publicó el 2 de noviembre Hydrogen-1.0, un gran modelo de lenguaje especializado en química, ciencia de materiales y ciencias de la vida. No se trata de un modelo entrenado desde cero: el equipo tomó GLM-5.3, el modelo abierto de Z.ai, y lo posentrenó con sus propios datos de laboratorio. Los pesos se publican bajo licencia MIT en Hugging Face y ModelScope. Según la empresa, Hydrogen-1.0 supera a GPT-6 Astra de OpenAI en una prueba de investigación científica, una cifra que ningún tercero ha verificado por el momento.
Cuadernos de laboratorio como datos de entrenamiento
La originalidad que reivindican reside en los datos. Además de conocimientos de química, materiales y biología, Deep Principle ha empleado los cuadernos de laboratorio electrónicos de sus equipos: qué deseaba aprender el investigador, el protocolo seguido, las observaciones y el resultado, incluidos los fallos. A esto añade «trayectorias de descubrimiento», secuencias de decisiones y resultados que muestran la progresión de una campaña de investigación. El entrenamiento combina aprendizaje supervisado y aprendizaje por refuerzo fundamentado en resultados de investigación.
El blog también describe una infraestructura de entrenamiento operativa tanto en GPU de Nvidia (CUDA) como de AMD (ROCm), basada en Megatron y SGLang. Según la ficha de Hugging Face, el modelo admite 1 millón de tókenes de contexto y hasta 128 000 tókenes de salida. El repositorio señala un modelo de aproximadamente 753 000 millones de parámetros, probado en 8 GPU: no es un modelo concebido para ejecutarse en un puesto de trabajo. Se suministran versiones cuantizadas a 4 bits para los chips Nvidia Blackwell (NVFP4) y AMD Instinct MI350X y MI355X (MXFP4). Los conjuntos de datos y las recetas completas de entrenamiento no se han publicado.
Lo que indican las puntuaciones de la empresa
Según Chenru Duan, de Deep Principle, Hydrogen-1.0 logra un 38,3% en FrontierScience-Research, frente al 33,3% de GPT-6 Astra, y un 93,0% en GPQA Diamond. El blog matiza que esta última marca se sitúa aproximadamente al nivel de Kimi K3, el modelo abierto de Moonshot. En tres escenarios internos, siempre de acuerdo con su versión, el modelo supera a GPT-6 Astra en razonamiento máximo sobre cálculo científico (76,9% frente a 71,8%) y predicción de reacciones (90,5% frente a 85,7%), aunque rinde por debajo en la identificación de estructuras mediante RMN (26,7% frente a 30,0%).
La empresa destaca asimismo una prueba de búsqueda de materiales: a lo largo de cinco rondas, el modelo propone complejos de metales de transición y recibe el resultado de sus propias elecciones. En la quinta ronda, la mejor brecha HOMO-LUMO media alcanza 4,318 eV para Hydrogen-1.0, frente a los 3,689 eV de GPT-6 Astra y los 3,353 eV de Kimi K3. Estas evaluaciones son internas y sus conjuntos de prueba no son de acceso público.
Dónde utilizarlo
El modelo se encuentra disponible por cuatro vías: pesos descargables en Hugging Face (tras aceptar compartir los datos de la cuenta) y ModelScope, API en NeuroSpark, socio del entrenamiento, y en Mira, el «AI Scientist» de Deep Principle. La ficha del modelo advierte de que sus respuestas pueden contener errores fácticos, de cálculo o de referencias, y que deben verificarse antes de tomar cualquier decisión.
Nuestro análisis
Hydrogen-1.0 ejemplifica una tendencia clara: los modelos abiertos chinos como GLM-5.3 sirven ahora de cimiento a especialistas que les incorporan sus propios datos de negocio. El argumento de Deep Principle resulta sólido en principio: los cuadernos de laboratorio, con sus ensayos fallidos, constituyen datos atípicos fuera del alcance de los grandes laboratorios generalistas. No obstante, las pruebas aportadas proceden únicamente de la empresa desarrolladora. La ventaja sobre GPT-6 Astra descansa en un solo test público, la diferencia en GPQA Diamond es reducida y los mejores resultados se derivan de evaluaciones internas. El detalle relativo a la planificación de experimentos también merece atención: GPT-6 Astra y Claude Opus 5.5 quedaron fuera de la comparación al rechazar la mayoría de las peticiones, lo que revela tanto sobre las políticas de seguridad de los modelos cerrados como sobre las virtudes de Hydrogen-1.0. Por último, la licencia MIT representa una ventaja tangible para los laboratorios, si bien el tamaño del modelo restringe su despliegue local a equipos dotados de servidores con múltiples GPU.
Fuentes
- Deep Principle — Introducing Hydrogen-1.0 (blog técnico) Fuente primaria
- Hugging Face — ficha del modelo deep-principle/Hydrogen-1.0 Fuente primaria
- ModelScope — Hydrogen-1.0 Fuente primaria
- Deep Principle en X — anuncio de Hydrogen-1.0 Fuente primaria
- Chenru Duan (Deep Principle) en X — puntuaciones anunciadas Fuente primaria
- Chenru Duan (Deep Principle) en X — puntuaciones de los escenarios internos Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
