Deep Principle pubblica Hydrogen-1.0, un modello scientifico a pesi aperti derivato da GLM-5.3
La start-up Deep Principle ha pubblicato Hydrogen-1.0, un modello per chimica, materiali e scienze della vita, ottenuto tramite il post-addestramento di GLM-5.3 di Z.ai sui propri quaderni di laboratorio. I pesi sono sotto licenza MIT; i punteggi, che mostrano un vantaggio su GPT-6 Astra, sono forniti dallo sviluppatore.
La start-up Deep Principle ha pubblicato il 2 novembre Hydrogen-1.0, un grande modello linguistico specializzato in chimica, scienza dei materiali e scienze della vita. Non si tratta di un modello addestrato da zero: il team è partito da GLM-5.3, il modello aperto di Z.ai, e lo ha sottoposto a post-addestramento sui propri dati di laboratorio. I pesi sono pubblicati sotto licenza MIT su Hugging Face e ModelScope. Secondo lo sviluppatore, Hydrogen-1.0 supera GPT-6 Astra di OpenAI in un test di ricerca scientifica, un dato che nessun soggetto terzo ha ancora verificato.
Quaderni di laboratorio come dati di addestramento
L’originalità dichiarata risiede nei dati. Oltre alle conoscenze di chimica, materiali e biologia, Deep Principle ha impiegato i quaderni di laboratorio elettronici dei propri team: ciò che il ricercatore intendeva studiare, il protocollo seguito, le osservazioni e il risultato, compresi i fallimenti. A questo si aggiungono le «traiettorie di scoperta», sequenze di scelte e risultati che mostrano come progredisce una campagna di ricerca. L’addestramento combina un apprendimento supervisionato e un apprendimento per rinforzo basato sui risultati della ricerca.
Il blog descrive inoltre un’infrastruttura di addestramento compatibile sia con GPU Nvidia (CUDA) sia con GPU AMD (ROCm), basata su Megatron e SGLang. In base alla scheda su Hugging Face, il modello supporta 1 milione di token di contesto e fino a 128.000 token in output. Il repository indica un modello di circa 753 miliardi di parametri, testato su 8 GPU: non è una soluzione pensata per funzionare su una normale workstation. Vengono fornite versioni quantizzate a 4 bit per i chip Nvidia Blackwell (NVFP4) e AMD Instinct MI350X e MI355X (MXFP4). I dataset completi e le ricette di addestramento non sono stati resi pubblici.
Cosa dicono i punteggi dello sviluppatore
Secondo Chenru Duan, di Deep Principle, Hydrogen-1.0 ottiene il 38,3% su FrontierScience-Research, a fronte del 33,3% di GPT-6 Astra, e il 93,0% su GPQA Diamond. Il blog specifica che quest’ultimo risultato è all’incirca al livello di Kimi K3, il modello aperto di Moonshot. Su tre scenari interni, sempre secondo Duan, il modello supera GPT-6 Astra in modalità di riflessione massima nel calcolo scientifico (76,9% contro 71,8%) e nella previsione delle reazioni (90,5% contro 85,7%), ma fa peggio nell’identificazione di strutture tramite RMN (26,7% contro 30,0%).
Lo sviluppatore evidenzia anche un test di ricerca sui materiali: in cinque iterazioni, il modello propone complessi di metalli di transizione e riceve il riscontro delle proprie scelte. Al quinto ciclo, il miglior gap HOMO-LUMO medio raggiunge 4,318 eV per Hydrogen-1.0, contro 3,689 eV per GPT-6 Astra e 3,353 eV per Kimi K3. Queste valutazioni sono interne e i relativi set di test non sono pubblici.
Dove utilizzarlo
Il modello è disponibile attraverso quattro canali: pesi scaricabili su Hugging Face (previo consenso alla condivisione delle informazioni del proprio account) e ModelScope, API tramite NeuroSpark, partner per l’addestramento, e all’interno di Mira, l’«AI Scientist» di Deep Principle. La scheda del modello avverte che le risposte possono contenere errori fattuali, di calcolo o nelle citazioni, e che devono essere verificate prima di qualsiasi decisione.
La nostra lettura
Hydrogen-1.0 illustra una tendenza chiara: i modelli aperti cinesi come GLM-5.3 fungono ormai da base per team specializzati, che vi integrano i propri dati verticali. L’argomentazione di Deep Principle è solida in linea di principio: i quaderni di laboratorio, con la registrazione degli insuccessi, rappresentano dati rari di cui i grandi laboratori generalisti non dispongono. Le prove fornite, tuttavia, rimangono quelle dello sviluppatore. Il primato rispetto a GPT-6 Astra poggia su un unico benchmark pubblico, il divario su GPQA Diamond è contenuto e i risultati migliori provengono da valutazioni interne. Anche il dettaglio sulla pianificazione degli esperimenti merita cautela: GPT-6 Astra e Claude Opus 5.5 sono stati esclusi dal confronto perché rifiutavano la maggior parte delle richieste, un fatto che la dice lunga più sui filtri di sicurezza dei modelli proprietari che sulle effettive capacità di Hydrogen-1.0. Infine, la licenza MIT costituisce un punto di forza tangibile per i laboratori, ma le dimensioni del modello riservano l’esecuzione locale alle realtà dotate di server multi-GPU.
Fonti
- Deep Principle — Introducing Hydrogen-1.0 (blog tecnico) Fonte primaria
- Hugging Face — scheda del modello deep-principle/Hydrogen-1.0 Fonte primaria
- ModelScope — Hydrogen-1.0 Fonte primaria
- Deep Principle su X — annuncio di Hydrogen-1.0 Fonte primaria
- Chenru Duan (Deep Principle) su X — punteggi annunciati Fonte primaria
- Chenru Duan (Deep Principle) su X — punteggi degli scenari interni Fonte primaria
Una fonte primaria proviene direttamente dall'azienda, dal laboratorio o dall'ente interessato. Una fonte secondaria riporta l'informazione senza esserne l'autrice: la segnaliamo come tale. Un errore? Consulta la nostra politica di rettifica.
