Deep Principle lanza Hydrogen-1.0, un modelo de pesos abiertos de 753.000 millones de parámetros para química, materiales y ciencias de la vida
La empresa de Hangzhou postentrenó GLM-5.3 de Z.ai con registros de laboratorio y trayectorias de descubrimiento y reporta un 38,3% en FrontierScience-Research frente al 33,3% de GPT-6-Astra; las cifras son propias y los datos de entrenamiento no se publican.
Por qué importa
La mayoría de los resultados recientes de IA para la ciencia vienen de modelos cerrados, y Deep Principle presenta Hydrogen-1.0 como una alternativa inspeccionable con licencia MIT que los investigadores pueden ejecutar y auditar. Su ventaja declarada es estrecha y procede de pruebas propias, y queda por detrás de GPT-6-Astra en elucidación estructural por RMN. Hay que seguir la replicación independiente de las cifras y si los laboratorios lo adoptan para planificar experimentos, donde la empresa dice haber superado a Kimi-K3.
Datos clave
- 753.000 millones de parámetros, postentrenado desde GLM-5.3
- 38,3% en FrontierScience-Research frente a 33,3% de GPT-6-Astra (propio)
- 93,0% en GPQA-Diamond (reportado)
- Publicado con licencia MIT
- Contexto de 1M de tokens, salida máxima de 128K
- Sin publicar los datos ni las recetas completas