Deep Principle publie Hydrogen-1.0, un modèle scientifique à poids ouverts dérivé de GLM-5.3
La start-up Deep Principle a publié Hydrogen-1.0, un modèle pour la chimie, les matériaux et les sciences du vivant, obtenu en post-entraînant GLM-5.3 de Z.ai sur ses propres cahiers de laboratoire. Les poids sont sous licence MIT ; les scores, dont un avantage sur GPT-6 Astra, sont ceux de l'éditeur.
La start-up Deep Principle a publié le 2 novembre Hydrogen-1.0, un grand modèle de langage spécialisé en chimie, science des matériaux et sciences du vivant. Ce n’est pas un modèle entraîné de zéro : l’équipe a repris GLM-5.3, le modèle ouvert de Z.ai, et l’a post-entraîné sur ses propres données de laboratoire. Les poids sont publiés sous licence MIT sur Hugging Face et ModelScope. Selon l’éditeur, Hydrogen-1.0 dépasse GPT-6 Astra d’OpenAI sur un test de recherche scientifique, un chiffre qu’aucun tiers n’a encore vérifié.
Des cahiers de laboratoire comme données d’entraînement
L’originalité revendiquée tient aux données. En plus de connaissances de chimie, de matériaux et de biologie, Deep Principle a utilisé les cahiers de laboratoire électroniques de ses équipes : ce que le chercheur voulait apprendre, le protocole suivi, les observations et le résultat, y compris les échecs. Il y ajoute des « trajectoires de découverte », des suites de choix et de résultats qui montrent comment une campagne de recherche progresse. L’entraînement combine un apprentissage supervisé et un apprentissage par renforcement fondé sur les résultats de recherche.
Le blog décrit aussi une infrastructure d’entraînement qui fonctionne à la fois sur des GPU Nvidia (CUDA) et AMD (ROCm), sur la base de Megatron et SGLang. Selon la fiche Hugging Face, le modèle accepte 1 million de jetons de contexte et jusqu’à 128 000 jetons en sortie. Le dépôt indique un modèle d’environ 753 milliards de paramètres, testé sur 8 GPU : ce n’est pas un modèle à faire tourner sur un poste de travail. Des versions quantifiées sur 4 bits sont fournies pour les puces Nvidia Blackwell (NVFP4) et AMD Instinct MI350X et MI355X (MXFP4). Les jeux de données et les recettes d’entraînement complets ne sont pas publiés.
Ce que disent les scores de l’éditeur
Selon Chenru Duan, de Deep Principle, Hydrogen-1.0 obtient 38,3 % sur FrontierScience-Research, contre 33,3 % pour GPT-6 Astra, et 93,0 % sur GPQA Diamond. Le blog précise que ce dernier score est à peu près au niveau de Kimi K3, le modèle ouvert de Moonshot. Sur trois scénarios internes, toujours selon lui, le modèle fait mieux que GPT-6 Astra en réflexion maximale sur le calcul scientifique (76,9 % contre 71,8 %) et la prédiction de réactions (90,5 % contre 85,7 %), mais moins bien sur l’identification de structures par RMN (26,7 % contre 30,0 %).
L’éditeur met aussi en avant un test de recherche de matériaux : en cinq tours, le modèle propose des complexes de métaux de transition et reçoit le résultat de ses propres choix. Au cinquième tour, le meilleur écart HOMO-LUMO moyen atteint 4,318 eV pour Hydrogen-1.0, contre 3,689 eV pour GPT-6 Astra et 3,353 eV pour Kimi K3. Ces évaluations sont internes et leurs jeux de test ne sont pas publics.
Où l’utiliser
Le modèle est disponible de quatre façons : poids à télécharger sur Hugging Face (après acceptation du partage de ses informations de compte) et ModelScope, API chez NeuroSpark, partenaire de l’entraînement, et dans Mira, l’« AI Scientist » de Deep Principle. La fiche du modèle prévient que ses réponses peuvent contenir des erreurs de faits, de calculs ou de références et qu’elles doivent être vérifiées avant toute décision.
Notre lecture
Hydrogen-1.0 illustre une tendance nette : les modèles ouverts chinois comme GLM-5.3 servent désormais de base à des spécialistes, qui y ajoutent leurs propres données métier. L’argument de Deep Principle est solide sur le principe : les cahiers de laboratoire, avec leurs échecs, sont des données rares que les grands laboratoires généralistes n’ont pas. Mais les preuves restent celles de l’éditeur. La victoire sur GPT-6 Astra se joue sur un seul test public, l’écart sur GPQA Diamond est faible, et les meilleurs résultats viennent d’évaluations internes. Le détail sur la planification d’expériences mérite aussi attention : GPT-6 Astra et Claude Opus 5.5 ont été retirés de la comparaison parce qu’ils refusaient la majorité des requêtes, ce qui dit autant des règles de sécurité des modèles fermés que des qualités d’Hydrogen-1.0. Enfin, la licence MIT est un vrai atout pour les laboratoires, mais la taille du modèle réserve son usage local aux équipes équipées de serveurs à plusieurs GPU.
Sources
- Deep Principle — Introducing Hydrogen-1.0 (blog technique) Source primaire
- Hugging Face — fiche du modèle deep-principle/Hydrogen-1.0 Source primaire
- ModelScope — Hydrogen-1.0 Source primaire
- Deep Principle sur X — annonce de Hydrogen-1.0 Source primaire
- Chenru Duan (Deep Principle) sur X — scores annoncés Source primaire
- Chenru Duan (Deep Principle) sur X — scores des scénarios internes Source primaire
Une source primaire émane directement de l'entreprise, du laboratoire ou de l'organisme concerné. Une source secondaire rapporte l'information sans en être l'auteur : nous la signalons comme telle. Une erreur ? Consultez notre politique de correction.
