The Pulse

Deep Principle rilascia Hydrogen-1.0 per la ricerca scientifica

Deep Principle ha rilasciato Hydrogen-1.0, un modello scientifico a pesi aperti sottoposto a post-training a partire da GLM-5.3 su dati di chimica, scienza dei materiali e scienze della vita. L’azienda riferisce miglioramenti in diverse val

AI.info Team · Scritto con l’IA · verificato · 2026-11-03

Deep Principle ha rilasciato Hydrogen-1.0 il 2 novembre, presentandolo come un modello a pesi aperti per la ricerca scientifica. L’azienda afferma di aver sottoposto GLM-5.3 a post-training su dati di chimica, scienza dei materiali e scienze della vita, aggiungendo registrazioni e traiettorie di agenti provenienti dai propri laboratori. Il rilascio mira a collegare il ragionamento scientifico alla pianificazione degli esperimenti e alla scoperta di materiali.

Da GLM-5.3 a un modello per la ricerca

L’approccio all’addestramento di Deep Principle non si basa soltanto su materiale scientifico di riferimento. L’azienda afferma che le registrazioni dei suoi quaderni elettronici di laboratorio conservano traccia di un ciclo di ricerca: ciò che uno scienziato sperava di apprendere, come è stato condotto un esperimento, che cosa è accaduto e che cosa indagare in seguito. Secondo l’azienda, queste registrazioni aiutano Hydrogen-1.0 a pianificare esperimenti, scrivere protocolli e interpretare risultati.

La scheda del modello identifica i pesi rilasciati come quelli di un modello da 753 miliardi di parametri basato su GLM-5.3. Indica una lunghezza del contesto di 1 milione di token e una lunghezza massima dell’output di 128.000 token, avvertendo però che i limiti effettivamente utilizzabili dipendono dal framework di inferenza, dalla configurazione del servizio e dalle risorse disponibili. La scheda afferma che i pesi sono distribuiti con la MIT License.

Miglioramenti nei benchmark, con un’eccezione a livello di singolo compito

Deep Principle riferisce che Hydrogen-1.0 ha superato GPT-6-Astra su FrontierScience-Research e ha ottenuto risultati migliori di GLM-5.3 su GPQA-Diamonds, raggiungendo risultati più o meno equivalenti a quelli di Kimi-K3 in queste valutazioni. L’azienda descrive i test come misure delle conoscenze scientifiche e del ragionamento su domande impegnative. Nel testo che accompagna l’annuncio non fornisce i punteggi dei benchmark.

Su tre compiti di ricerca interni, i risultati sono stati contrastanti. Hydrogen-1.0 ha ottenuto punteggi superiori a GPT-6-Astra nel calcolo scientifico e nella previsione dell’esito di reazioni a singolo passaggio in ciascuna delle tre impostazioni di ragionamento; rispetto ad Astra con il ragionamento al massimo, i vantaggi riportati erano di 5,13 e 4,76 punti percentuali. Astra ha ottenuto 3,33 punti in più nell’elucidazione di strutture tramite NMR con il ragionamento al massimo. Deep Principle avverte che, a causa delle differenze nella difficoltà dei compiti, i punteggi assoluti non vanno letti come confronti diretti tra compiti diversi.

Gli esempi mostrano che cosa comprendono queste valutazioni. In uno, il modello scrive codice Python per costruire un fuso di polietilene, esegue GROMACS, corregge un errore di topologia e analizza una simulazione corretta di 40 nanosecondi. In un altro, traccia il percorso di 27 strutture molecolari attraverso 30 reazioni plausibili. Una dimostrazione separata di pianificazione di laboratorio individua un passaggio del protocollo che tenta di aspirare senza un puntale nuovo per la pipetta, quindi compila le istruzioni corrette in un ambiente virtuale.

Le traiettorie di scoperta inseriscono le scelte nei dati di addestramento

Deep Principle afferma che sia il fine-tuning supervisionato sia l’apprendimento per rinforzo contribuiscono all’addestramento. Il primo usa esempi svolti per il ragionamento, la pianificazione degli esperimenti, la progettazione dei protocolli e l’analisi dei risultati; il secondo usa il feedback sugli esiti della ricerca. Le traiettorie complete di scoperta collegano una proprietà obiettivo alla selezione dei candidati, alla pianificazione della sintesi, alla valutazione e alla decisione su che cosa provare in seguito.

In un test di ricerca di materiali, i modelli sono partiti dalla stessa popolazione di complessi di metalli di transizione e hanno formulato raccomandazioni nell’arco di cinque turni, ricevendo ciascuno un feedback solo sui propri suggerimenti. Entro il quinto turno, Hydrogen-1.0 ha raggiunto un divario HOMO–LUMO medio migliore fino a quel momento di 4,318 eV, rispetto ai 3,689 eV di GPT-6-Astra e ai 3,353 eV di Kimi-K3. Questi risultati provengono dalla valutazione riportata dall’azienda e non costituiscono un’affermazione secondo cui il modello avrebbe scoperto o sintetizzato autonomamente un materiale.

I pesi sono disponibili, ma la procedura è parziale

Deep Principle indica Hugging Face e ModelScope come canali per scaricare i pesi, e NeuroSpark e Mira come modalità per accedere al modello tramite un’API o AI Scientist dell’azienda. La scheda del modello su Hugging Face afferma che gli utenti devono accettare le condizioni di accesso del repository per raggiungerne i file. Precisa inoltre che i dataset e le procedure di addestramento completi non sono rilasciati insieme ai pesi.

Resta quindi una distinzione tra pesi aperti e un processo di addestramento completamente riproducibile. I ricercatori possono ottenere i parametri del modello secondo la licenza indicata, ma la descrizione pubblica dell’addestramento non include tutti i dati e i dettagli della procedura necessari per ricreare il modello da zero.