微调后的开放模型最棒了

我们推出了 Hydrogen-1.0，这是我们首个用于科学研究的开放权重模型。我们基于内部科学数据、实验室记录和发现轨迹，对 GLM-5.3（@Zai_org）进行了后训练。

它在 FrontierScience-Research 上取得了 38.3% 的成绩，而 GPT-6-Astra 为 33.3%；在 GPQA-Diamonds 上的成绩为 93.0%。

我们相信，科学应该是开放、协作且人人可参与的，而非专有的。只有开放权重，才能让研究人员审查、调整模型，并在 AI 前所未有的增长速度之上继续构建。最近有许多以化学元素命名的模型，但我们认为，Hydrogen-1.0 是首个以面向科学发现的开放科学超级智能为目标的模型。🧵

Hydrogen-1.0 在 FrontierScience-Research 上达到了最先进水平，在 GPQA-Diamond 上也与最先进水平相当，而 API 成本与 GLM-5.3 类似。在我们的内部研究场景中，Hydrogen-1.0 在科学计算（76.9% 对 71.8%）、正向反应预测（90.5% 对 85.7%）和核磁共振（NMR）结构解析（26.7% 对 30.0%）方面，得分高于或接近使用最高思考强度的 GPT-6-Astra。

阅读完整博客：https://blog.deepprinciple.com/introducing-hydrogen-1.0…

它能如何帮助计算化学家和材料科学家？

为了在分子尺度上研究一个塑料袋，Hydrogen-1.0 构建了聚乙烯熔体，运行 GROMACS，诊断并修复一个拓扑错误，然后分析一段新生成的 40 ns 轨迹：密度、堆积、扩散和链尺寸。

我们使用完整实验周期的实验室记录进行训练：科学家最初如何设计实验、实验步骤、观察结果以及最终结果。这些信息帮助 Hydrogen-1.0 仅凭简短的意图描述，就能出色地完成实验规划。

但让 AI 接管实验室存在大量风险。Hydrogen-1.0 进行了一次虚拟预演，发现了一次未更换新移液器吸头就尝试吸液的操作。在模拟运行继续之前，操作顺序得到了修正和复查。

上述这些能力造就了一个能更快发现新材料的模型。在我们寻找过渡金属配合物的案例中，Hydrogen-1.0 用少得多的尝试就找到了更好的候选物，从而加速了发现过程本身。

科学是无穷无尽的。我们希望大家共同参与构建模型，让模型能够从新的实验和发现中学习，并供所有人使用。探索 Hydrogen-1.0，在我们的开放权重基础上继续构建。

权重：https://huggingface.co/deep-principle/Hydrogen-1.0… API：https://neuro-spark.ai/dashboard/models?model=hydrogen-1.0… Mira：https://mira.deepprinciple.com 博客：https://blog.deepprinciple.com/introducing-hydrogen-1.0…

给想看更多眼镜的人准备的完整视频：

这些观点确实很有价值。我们正在用实验室记录训练一个较小的模型，但仅供内部使用，因为这些是我们自己的实验数据。

没错

有几种。1）仍然是从专家数据中提取的问答对，并增强了推理内容。2）我们一直在使用我们的智能体 Mira 替代传统的电子实验记录本（ELN），使实验室记录更加符合训练数据的格式。3）发现轨迹是智能体在一个项目中的运行轨迹。

glm-5.3 以 24.4% 的成绩为我们提供了非常强大的起点。感谢开放权重基础模型

Rokid。

我们可能会等下一代

应该仍然是 MIT 许可证。和 glm-5.3 一样

现在已开放。刚接触 AI

谢谢提醒。刚进入 AI 领域

是的，但说实话，我们还没找到让模型从这些数据中学到很多东西的方法（而且也很难对其进行基准评测）。我们会继续探索

tb-science 是一个很棒的基准，由 @StevenDillmann 主导。我从早期就参与其中，所以我认为自己参与 tb-science 的竞争并不公平。但会在未来的版本中加入。

你们是通过哪家服务商使用 GLM 5.3 的，@chenru_duan？