Deep Principle hat Hydrogen-1.0 veröffentlicht, ein Modell für Chemie, Materialwissenschaften und Biowissenschaften. Nach Angaben des Unternehmens wurde das Modell GLM-5.3 von Z.ai mit wissenschaftlichem Material, Laborprotokollen und Aufzeichnungen zu den Aktionen von Forschungsagenten angepasst. MarkTechPost zufolge hat Hydrogen-1.0 753 Milliarden Parameter.
Die Modellgewichte – also die Dateien, die zum Ausführen oder Anpassen des Modells benötigt werden – sind unter der MIT-Lizenz auf Hugging Face verfügbar. Forschende und Entwickler können damit eigene Tests durchführen und darauf aufbauende Anwendungen entwickeln, statt sich allein auf einen vom Unternehmen betriebenen Dienst zu verlassen. Die Veröffentlichung enthält weder die vollständigen Trainingsdatensätze noch das komplette Trainingsrezept.
Was hat Deep Principle getestet?
Deep Principle zufolge übertraf Hydrogen-1.0 GPT-6-Astra bei FrontierScience-Research und schnitt bei GPQA-Diamonds besser ab als sein Ausgangsmodell GLM-5.3. Dabei lag es ungefähr gleichauf mit Kimi-K3. In der Ankündigung nennt das Unternehmen keine Ergebnisse für diese Vergleiche. Daher lässt sich allein anhand des Textes nicht beurteilen, wie groß die gemeldeten Verbesserungen ausfallen.
Bei den eigenen Tests zu Forschungsaufgaben erzielte Hydrogen-1.0 in den drei getesteten Einstellungen für Schlussfolgerungen bessere Ergebnisse als GPT-6-Astra bei wissenschaftlichem Rechnen und der Vorhersage von Vorwärtsreaktionen. Im Vergleich mit Astra auf der höchsten Einstellung betrugen die gemeldeten Vorsprünge 5.13 und 4.76 Prozentpunkte. Bei der NMR-Strukturanalyse lag Astra um 3.33 Punkte vorn. Deep Principle verglich die Modelle außerdem anhand von 117 Fragen zur Versuchsplanung, nennt in der Ankündigung jedoch keine Ergebnisse.
Was können Forschende ausführen?
Deep Principle zeigt, wie das Modell Code für eine Polymersimulation schreibt und korrigiert, mögliche chemische Reaktionen ermittelt und Kandidatenstrukturen anhand eines NMR-Spektrums bewertet. Diese Beispiele nutzen externe Werkzeuge und Forschungsumgebungen. Sie sind Demonstrationen und kein Beleg dafür, dass die wissenschaftlichen Schlussfolgerungen des Modells korrekt sind.
Der Hugging-Face-Eintrag umfasst BF16-Gewichte in voller Präzision sowie Versionen mit geringerer Präzision für bestimmte Hardware: NVIDIA-Blackwell-Chips oder AMD Instinct MI350X und MI355X. Laut Eintrag wurde eine Bereitstellung auf acht GPUs getestet; welche Hardware dabei zum Einsatz kam, wird nicht angegeben. Außerdem weist der Eintrag darauf hin, dass die Anforderungen je nach Software und Konfiguration variieren und das Modell falsche Antworten geben kann. Forschende sollten wichtige Aussagen anhand von Berechnungen, Fachliteratur oder Experimenten überprüfen.
Warum es wichtig ist
Forschende können Hydrogen-1.0 herunterladen und anpassen, statt sich ausschließlich auf ein proprietäres Wissenschaftsmodell zu verlassen. Der hohe Hardwarebedarf, die unvollständigen Angaben zum Training und die vom Unternehmen durchgeführten Tests bedeuten jedoch, dass sie das Modell mit eigenen Aufgaben erproben und seine Antworten unabhängig überprüfen müssen.
