Deep Principle publie Hydrogen-1.0, un modèle ouvert de 753 milliards de paramètres pour la chimie, les matériaux et les sciences du vivant
L'entreprise de Hangzhou a post-entraîné GLM-5.3 de Z.ai sur des cahiers de laboratoire et des trajectoires de découverte et annonce 38,3 % sur FrontierScience-Research contre 33,3 % pour GPT-6-Astra ; les scores sont autodéclarés et les données d'entraînement ne sont pas publiées.
Pourquoi c’est important
La plupart des résultats récents de l'IA pour la science viennent de modèles fermés, et Deep Principle présente Hydrogen-1.0 comme une alternative inspectable sous licence MIT que les chercheurs peuvent exécuter et auditer. Son avance revendiquée est faible et issue de ses propres tests, et il reste derrière GPT-6-Astra en élucidation de structures par RMN. À suivre : la réplication indépendante des scores et son adoption par des laboratoires pour planifier des expériences, domaine où l'entreprise dit battre Kimi-K3.
Faits clés
- 753 milliards de paramètres, post-entraîné à partir de GLM-5.3
- 38,3 % sur FrontierScience-Research contre 33,3 % pour GPT-6-Astra (autodéclaré)
- 93,0 % sur GPQA-Diamond (rapporté)
- Publié sous licence MIT
- Contexte de 1M de jetons, sortie maximale de 128K
- Données et recettes complètes non publiées