Deep Principle presenta Hydrogen-1.0 para investigación científica
Deep Principle lanzó Hydrogen-1.0, un modelo de inteligencia artificial con pesos abiertos diseñado para abordar problemas de química, ciencia de materiales y ciencias de la vida. El sistema cuenta con 753.000 millones de parámetros, admite un contexto de hasta un millón de tokens y distribuye sus pesos bajo licencia MIT.
La propuesta busca llevar los modelos de lenguaje más allá de las respuestas sobre conocimientos científicos, incorporando capacidades para planificar experimentos, analizar resultados, explorar reacciones y participar en procesos de descubrimiento.
Según los resultados autoinformados por Deep Principle, Hydrogen-1.0 alcanza un 38,3% en FrontierScience-Research, frente al 33,3% de GPT-6-Astra en la comparación publicada por la compañía.
Un modelo basado en GLM-5.3 y especializado en ciencia
Hydrogen-1.0 parte de GLM-5.3, desarrollado por Z.ai, y utiliza un proceso de post-entrenamiento con información científica especializada, registros experimentales y trayectorias de descubrimiento generadas por agentes.
Su arquitectura es de mezcla de expertos (MoE), con 753.000 millones de parámetros totales y aproximadamente 40.000 millones activos, de acuerdo con las características de su modelo base.
Sus principales especificaciones incluyen:
- Parámetros totales: 753.000 millones.
- Parámetros activos: aproximadamente 40.000 millones, según GLM-5.3.
- Ventana de contexto: un millón de tokens.
- Salida máxima: 128K tokens.
- Licencia de los pesos: MIT.
- Áreas de especialización: química, materiales y ciencias de la vida.
Deep Principle, una empresa de inteligencia artificial aplicada a materiales con sede en Hangzhou, plantea Hydrogen-1.0 como una herramienta para conectar el razonamiento científico con las decisiones que forman parte de la investigación experimental.
Resultados frente a GPT-6-Astra en pruebas científicas
Uno de los aspectos destacados del lanzamiento es la comparación con GPT-6-Astra en evaluaciones de conocimiento y razonamiento científico.
De acuerdo con los resultados autoinformados por Deep Principle, Hydrogen-1.0 obtiene las siguientes puntuaciones:
| Evaluación | Hydrogen-1.0 | GPT-6-Astra |
|---|---|---|
| FrontierScience-Research | 38,3% | 33,3% |
| GPQA-Diamond | 93,0% | 96,0% |
En FrontierScience-Research, ambas cifras corresponden a la comparación presentada por Deep Principle. En GPQA-Diamond, el 93,0% de Hydrogen-1.0 procede de la información de la compañía, mientras que el 96,0% de GPT-6-Astra se atribuye a OpenAI.
Deep Principle también publicó evaluaciones internas centradas en tareas concretas de investigación. Al comparar Hydrogen-1.0 con GPT-6-Astra configurado con pensamiento máximo, informa de tres resultados:
- Computación científica: Hydrogen-1.0 supera a GPT-6-Astra por 5,13 puntos porcentuales.
- Predicción de reacciones directas: Hydrogen-1.0 obtiene una ventaja de 4,76 puntos porcentuales.
- Elucidación de estructuras mediante RMN: GPT-6-Astra supera a Hydrogen-1.0 por 3,33 puntos.
Estas cifras autoinformadas muestran diferencias según el tipo de problema científico evaluado: Hydrogen-1.0 encabeza las dos primeras tareas, mientras que GPT-6-Astra mantiene la ventaja en el análisis estructural por resonancia magnética nuclear.
Cómo se entrenó Hydrogen-1.0 con datos de laboratorio
El desarrollo combina dos técnicas de entrenamiento: ajuste fino supervisado (SFT) y aprendizaje por refuerzo (RL).
Deep Principle organiza los datos de entrenamiento en cuatro grupos.
El primero comprende conocimiento especializado de química, ciencia de materiales y ciencias de la vida, que aporta la base científica del modelo.
El segundo contiene escenarios de investigación y retroalimentación específica sobre problemas científicos, con información procedente de investigadores de la compañía.
El tercero incorpora registros completos de cuadernos electrónicos de laboratorio recopilados mediante Mira, una herramienta utilizada para documentar el desarrollo de los experimentos.
Finalmente, el cuarto grupo incluye trayectorias de descubrimiento: secuencias de decisiones, observaciones y resultados obtenidos durante la exploración científica, incluidos los intentos fallidos.
La combinación permite que el entrenamiento incorpore tanto conocimientos como información sobre el proceso de investigación, desde la formulación de una hipótesis hasta la interpretación de los resultados.
Aunque los pesos de Hydrogen-1.0 se distribuyen abiertamente, Deep Principle no publica los conjuntos de datos completos ni las recetas íntegramente utilizadas para entrenarlo.
Cuatro demostraciones de sus capacidades científicas
El artículo técnico de Deep Principle presenta aplicaciones de Hydrogen-1.0 en simulación, química de reacciones, análisis espectroscópico y planificación de experimentos.
Simulación molecular con Python y GROMACS
En una demostración de computación científica, Hydrogen-1.0 escribe código Python para construir un sistema de polietileno fundido y utiliza GROMACS para realizar una simulación molecular.
Durante el proceso identifica un error de topología, lo corrige y continúa con el análisis de una trayectoria corregida de 40 nanosegundos.
El ejemplo ilustra cómo el modelo puede intervenir en distintas etapas de un flujo de simulación, desde la preparación hasta la revisión de resultados.
Exploración de una red de reacciones Ireland-Claisen
Otra demostración utiliza Hydrogen-1.0 para construir una red de reacciones químicas basada en el reordenamiento Ireland-Claisen.
El modelo genera 27 estructuras moleculares mediante 30 reacciones plausibles, representando distintas posibilidades dentro de la red.
La demostración se centra en explorar rutas químicas alternativas y organizar las transformaciones posibles.
Identificación de productos mediante RMN
En un tercer ejemplo, Hydrogen-1.0 analiza un espectro de resonancia magnética nuclear de protón (RMN ¹H).
La tarea consiste en evaluar siete productos candidatos de monoformilación del 2-bromonaftaleno a partir de la información espectral disponible.
El modelo examina las señales del espectro y utiliza esa información para clasificar las estructuras candidatas.
Planificación de un experimento Suzuki en JSON
La cuarta demostración aborda la planificación experimental.
Hydrogen-1.0 genera un protocolo estructurado en formato JSON para un estudio de acoplamiento Suzuki con 12 viales.
El proceso descrito por Deep Principle incluye una comprobación en un entorno virtual que detecta un intento de aspiración sin una punta nueva antes de la ejecución.
Este ejemplo muestra cómo la compañía integra la generación de instrucciones experimentales con comprobaciones previas a su ejecución.
Disponibilidad, formatos y despliegue
Los pesos de Hydrogen-1.0 están disponibles en Hugging Face y ModelScope, con licencia MIT.
Deep Principle documenta un despliegue probado mediante SGLang en ocho GPU, utilizando paralelismo tensorial de grado ocho.
Además del formato BF16, se ofrecen versiones cuantizadas para diferentes plataformas de aceleración:
| Formato | Hardware indicado |
|---|---|
| BF16 | Despliegue documentado con SGLang |
| NVFP4 | NVIDIA B200 y B300 |
| MXFP4 | AMD Instinct MI350X y MI355X |
El servidor de inferencia expone una API compatible con OpenAI, que incluye el parámetro reasoning_effort para configurar el esfuerzo de razonamiento.
La documentación del modelo y las variantes de sus pesos se encuentran en su repositorio oficial de Hugging Face.
Hydrogen-1.0 y el uso de IA en el descubrimiento científico
Hydrogen-1.0 representa la apuesta de Deep Principle por especializar un modelo de pesos abiertos en procesos completos de investigación científica.
Su enfoque combina conocimientos de dominio con información procedente de experimentos reales y registros de decisiones tomadas durante el descubrimiento, incluyendo resultados inesperados e intentos fallidos.
De acuerdo con Deep Principle, esta estrategia busca desarrollar modelos capaces de utilizar la experiencia experimental para orientar nuevas hipótesis, planificar investigaciones y evaluar posibles soluciones.
El lanzamiento reúne capacidades de razonamiento, simulación, análisis químico y planificación de laboratorio en un modelo que puede descargarse y desplegarse mediante infraestructura compatible.
Deep Principle en contexto
Deep Principle es una empresa de inteligencia artificial aplicada a materiales con sede en Hangzhou, y Hydrogen-1.0 es su intento de ofrecer una alternativa reproducible e inspeccionable a modelos propietarios de descubrimiento científico, según la propia cobertura del lanzamiento.
