Deep Principle lança Hydrogen-1.0, modelo científico de pesos abertos derivado do GLM-5.3
A startup Deep Principle lançou o Hydrogen-1.0, um modelo voltado para química, materiais e ciências da vida, desenvolvido a partir do pós-treinamento do GLM-5.3 da Z.ai com seus próprios cadernos de laboratório. Os pesos estão sob licença MIT; os resultados, incluindo uma vantagem sobre o GPT-6 Astra, foram divulgados pela desenvolvedora.
A startup Deep Principle lançou em 2 de novembro o Hydrogen-1.0, um grande modelo de linguagem especializado em química, ciência dos materiais e ciências da vida. O modelo não foi treinado do zero: a equipe utilizou o GLM-5.3, modelo aberto da Z.ai, e realizou o pós-treinamento com dados de seus próprios laboratórios. Os pesos foram publicados sob licença MIT no Hugging Face e no ModelScope. De acordo com a desenvolvedora, o Hydrogen-1.0 supera o GPT-6 Astra da OpenAI em um teste de pesquisa científica, um resultado que ainda não foi verificado por terceiros.
Cadernos de laboratório como dados de treinamento
A originalidade reivindicada está nos dados. Além do conhecimento teórico em química, materiais e biologia, a Deep Principle utilizou os cadernos de laboratório eletrônicos de suas equipes: o objetivo do pesquisador, o protocolo adotado, as observações e o resultado obtido, incluindo os experimentos malsucedidos. A empresa adicionou também “trajetórias de descoberta”, sequências de escolhas e desfechos que mostram a progressão de uma campanha de pesquisa. O treinamento combina aprendizado supervisionado e aprendizado por reforço fundamentado em resultados práticos de pesquisa.
O blog também descreve uma infraestrutura de treinamento capaz de operar tanto em GPUs Nvidia (CUDA) quanto AMD (ROCm), baseada em Megatron e SGLang. De acordo com a página no Hugging Face, o modelo suporta 1 milhão de tokens de contexto e até 128.000 tokens de saída. O repositório indica um modelo com cerca de 753 bilhões de parâmetros, testado em 8 GPUs: não se trata de um modelo para rodar em um computador pessoal. Versões quantizadas em 4 bits foram disponibilizadas para os chips Nvidia Blackwell (NVFP4) e AMD Instinct MI350X e MI355X (MXFP4). Os conjuntos de dados e as receitas completas de treinamento não foram publicados.
O que mostram as pontuações da desenvolvedora
Segundo Chenru Duan, da Deep Principle, o Hydrogen-1.0 atinge 38,3% no FrontierScience-Research, contra 33,3% do GPT-6 Astra, e 93,0% no GPQA Diamond. O blog observa que esta última pontuação está aproximadamente no mesmo nível do Kimi K3, modelo aberto da Moonshot. Em três cenários internos, ainda segundo ele, o modelo supera o GPT-6 Astra com raciocínio máximo em computação científica (76,9% contra 71,8%) e em predição de reações (90,5% contra 85,7%), mas fica atrás na identificação estrutural por RMN (26,7% contra 30,0%).
A desenvolvedora também destaca um teste de triagem de materiais: em cinco rodadas, o modelo propõe complexos de metais de transição e recebe o resultado de suas próprias escolhas. Na quinta rodada, o melhor gap HOMO-LUMO médio alcança 4,318 eV para o Hydrogen-1.0, contra 3,689 eV para o GPT-6 Astra e 3,353 eV para o Kimi K3. Essas avaliações são internas e seus conjuntos de teste não são públicos.
Onde utilizá-lo
O modelo está disponível de quatro maneiras: pesos para download no Hugging Face (após consentimento para o compartilhamento de informações da conta) e no ModelScope, API na NeuroSpark, parceira de treinamento, e dentro do Mira, o “AI Scientist” da Deep Principle. A documentação do modelo alerta que suas respostas podem conter erros factuais, de cálculos ou de referências, recomendando verificação prévia antes de qualquer tomada de decisão.
Nossa leitura
O Hydrogen-1.0 ilustra uma tendência clara: modelos abertos chineses como o GLM-5.3 agora servem de base para especialistas que incorporam seus próprios dados proprietários de domínio. O argumento da Deep Principle é sólido em tese: cadernos de laboratório, incluindo falhas e tentativas, constituem dados raros aos quais grandes laboratórios generalistas não têm acesso. No entanto, as evidências continuam restritas à própria desenvolvedora. A vitória sobre o GPT-6 Astra ocorreu em um único teste público, a diferença no GPQA Diamond é pequena e os melhores resultados derivam de avaliações internas. O detalhe sobre o planejamento de experimentos também exige atenção: o GPT-6 Astra e o Claude Opus 5.5 foram removidos da comparação porque recusaram a maioria das solicitações, o que reflete tanto as políticas de segurança dos modelos proprietários quanto as capacidades do Hydrogen-1.0. Por fim, a licença MIT é uma vantagem relevante para laboratórios, mas a dimensão do modelo limita a execução local a equipes estruturadas com servidores com várias GPUs.
Fontes
- Deep Principle — Introducing Hydrogen-1.0 (blog técnico) Fonte primária
- Hugging Face — página do modelo deep-principle/Hydrogen-1.0 Fonte primária
- ModelScope — Hydrogen-1.0 Fonte primária
- Deep Principle no X — anúncio do Hydrogen-1.0 Fonte primária
- Chenru Duan (Deep Principle) no X — pontuações anunciadas Fonte primária
- Chenru Duan (Deep Principle) no X — pontuações de cenários internos Fonte primária
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.
