AI4S首个开源大模型Hydrogen-1.0发布：跑赢GPT-6-Astra，让AI自己做科研
夕小瑶科技说 · 人工智能
原创 夕小瑶编辑部 2026-11-04 20:17 北京 这两个月刷AI动态，我有一个明显的感受，顶模OpenAI和Anthropic除了做基模迭代外，都在抢先证明一个事： AI可以做科学发现了。 9月，OpenAI内部Agent 系统，1万个Agent一起跑了88个小时，证明了Navier–Stokes方程会在有限时间里爆掉。 这个证明是七大千禧年数学难题之一。 10月份，OpenAI又一口气公布了在数学、计算机科学、物理上的三项新成果。 就拿一项大家可能更熟知的成果讲，王虹凭三维挂谷猜想拿下的菲尔兹奖，OpenAI说AI已经把这个结论推至了所有维度。 这些成果，全都出自OpenAI内部一个还在训练、从没有公开过的模型。 Anthropic那边，说是近千个Claude Agent用了21个小时，在噬菌体DNA里找出一个“类 CRISPR” 的酶系统。 （ps：当然，这些成果都还没被学界验证完，即使有几个被挑出毛病，我也不意外。） 但说实话，这个速度还是很惊人的。 挂谷猜想是1917年提出来的，人类的数学家花了一百多年，才啃下来三维情况，今天的AI 只需要花几天，所有维度都推完了。 Navier–Stokes方程写出来快两百年，数学家们还没推演出来会不会崩，AI先给出了答案。 数学家们急了，普林斯顿高等研究院的一个顾问组直接放话： 别拿外界用不了的专有模型去碰前沿问题，模型、提示词、算力都得公开，失败的尝试也要公开。 但是其实，这确实是现状。不过做出这些发现的模型，外界下载不到，也看不到内部，更别提复现。 今天刷X，刷到了一条动态，一家中国公司，把一个科学大模型开源了。 这个出圈的模型叫 Hydrogen-1.0 ，来自AI for Science公司深度原理（Deep Principle）。我看到那会，发布帖已经接近8000次点赞了。 不仅业界少有的宣布开源，这个模型最吸睛的还是实打实的成绩。 在OpenAI之前推出的科研基准FrontierScience Research上，Hydrogen-1.0拿了 38.3%，GPT-6 Astra是 33.3%。 要知道，GPT-6-Astra在AI for Science上也是妥妥大魔王来着，OpenAI之前标榜GPT-6-Astra是科学推理的王中王。 FrontierScience是真的难，Research部分按博士水平可能需要三到五小时完成，不光看答案，还要看推理过程。 所以，在这个基准上高出GPT-6-Astra五个百分点，属实算得上是很有分量的胜利。 我还看了下它和基座的差距。 它的底座是智谱开源的GLM-5.3，深度原理做了科学后训练，在上面喂了化学、材料、生命科学的数据，还有自家实验室攒下来的实验记录。FSR 成功率比基座提高了 13.9个百分点。 另一项高难度科学问答评测榜单GPQA Diamond，准确率为93.0%，比基座提高3个百分点，接近同组Kimi-K3的93.5%。 GPQA覆盖物理、化学和生物。Diamond是其中精选的198道高质量选择题，代表这个模型的科学推理也在线的。 我看Hydrogen-1.0的权重昨天就已经在Hugging Face和ModelScope发布了： 开源链接传送门： Hugging Face链接： https://huggingface.co/deep-principle/Hydrogen-1.0 ModelScope链接： https://www.modelscope.cn/models/deep-principle/Hydrogen-1.0 科学模型愿意开放权重，对开源社区来说，是非常实在的红利。 开头我点兵的那些秘密的内部模型，研究成果已经很惊艳。但想把同款模型接着往自己的研究里用，还需要部署到自己实验室，数据完全不会离开机构。 深度原理大模型发布帖下的评论 Hydrogen 把权重放出来，有部署和训练条件的团队，就能自己下场了。 比如，你的实验室攒了一批某类材料的“祖传数据”，还有自己的模拟程序和研究经验，就可以接上这个模型，继续测试和训练。 不准备自行部署，可以直接通过NeuroSpark API接入，或者在 深度原理的 Mira科研平台使用。 传送门： NeuroSpark API ： https://neuro-spark.ai/dashboard/models?model=hydrogen-1.0 Mira 科研平台： https://mira.deepprinciple.com/ 接下来，我来盘盘，这个强且慷慨的科学模型，到底是怎么炼出来的。 ◈ 在GLM上加什么？ GLM已经完全会推理、写代码。 Hydrogen 要继续补上的，是科研里的专业知识，以及遇到问题后怎么处理。 从深度原理博客里我扒出来，训练