Deep Principle مدل Hydrogen-1.0 را برای شیمی، علم مواد و علوم زیستی منتشر کرده است. این شرکت می‌گوید GLM-5.3، مدل Z.ai، را با استفاده از منابع علمی، سوابق آزمایشگاهی و گزارش‌هایی از اقدامات عامل‌های پژوهشی تطبیق داده است. MarkTechPost می‌گوید Hydrogen-1.0 مدلی با 753 میلیارد پارامتر است.
وزن‌های مدل—فایل‌های لازم برای اجرا یا تطبیق آن—با مجوز MIT در Hugging Face در دسترس‌اند. بنابراین پژوهشگران و توسعه‌دهندگان می‌توانند خودشان مدل را ارزیابی کنند و ابزارهایی بر پایه آن بسازند، نه اینکه فقط به سرویسی متکی باشند که یک شرکت اداره می‌کند. این انتشار شامل مجموعه‌داده‌های کامل آموزش یا دستورالعمل کامل آموزش نیست.
Deep Principle چه آزمون‌هایی انجام داد؟
Deep Principle می‌گوید Hydrogen-1.0 در FrontierScience-Research از GPT-6-Astra بهتر عمل کرده و در GPQA-Diamonds نسبت به مدل پایه‌اش، GLM-5.3، پیشرفت داشته و تقریباً با Kimi-K3 برابر بوده است. در اطلاعیه شرکت امتیاز این مقایسه‌ها ذکر نشده، بنابراین صرفاً با اتکا به متن نمی‌توان میزان پیشرفت گزارش‌شده را سنجید.
در ارزیابی‌های خود شرکت برای انجام وظایف پژوهشی، Hydrogen-1.0 در محاسبات علمی و پیش‌بینی واکنش‌های رو به جلو، در هر سه سطح استدلالیِ آزموده‌شده امتیاز بالاتری از GPT-6-Astra گرفت. در مقایسه با Astra در بالاترین سطح تنظیماتش، برتری گزارش‌شده به‌ترتیب 5.13 و 4.76 واحد درصد بود. Astra در تحلیل ساختار NMR با اختلاف 3.33 امتیاز برتر بود. Deep Principle همچنین مدل‌ها را با 117 پرسش درباره برنامه‌ریزی آزمایش مقایسه کرد، اما در متن اطلاعیه امتیازهای آن‌ها را اعلام نکرده است.
پژوهشگران چه چیزهایی می‌توانند اجرا کنند؟
Deep Principle نمونه‌هایی از توانایی مدل در نوشتن و اصلاح کد برای شبیه‌سازی پلیمر، ترسیم واکنش‌های شیمیایی احتمالی و سنجش ساختارهای پیشنهادی در برابر طیف NMR ارائه می‌کند. این نمونه‌ها از ابزارهای بیرونی و محیط‌های پژوهشی استفاده می‌کنند؛ آن‌ها نمایش قابلیت‌های مدل‌اند، نه اثبات درستی نتیجه‌گیری‌های علمی آن.
صفحه مدل در Hugging Face وزن‌های BF16 با دقت کامل و نسخه‌هایی با دقت پایین‌تر را برای سخت‌افزارهای مشخص ارائه می‌کند: تراشه‌های NVIDIA Blackwell یا AMD Instinct MI350X و MI355X. در این صفحه آمده است که استقرار مدل روی هشت GPU آزمایش شده، اما سخت‌افزار مورد استفاده در آن آزمون مشخص نشده است. همچنین هشدار داده شده که نیازمندی‌ها بسته به نرم‌افزار و پیکربندی متفاوت‌اند و مدل ممکن است پاسخ‌های نادرست بدهد. پژوهشگران باید ادعاهای مهم را با محاسبات، منابع علمی یا آزمایش‌ها بررسی کنند.
چرا مهم است
پژوهشگران می‌توانند Hydrogen-1.0 را دانلود و با نیازهای خود تطبیق دهند و مجبور نیستند فقط به یک مدل علمی اختصاصی متکی باشند. بااین‌حال، نیازهای سخت‌افزاری، اطلاعات ناقص درباره آموزش و ارزیابی‌های انجام‌شده توسط خود شرکت، ضرورت آزمودن مدل در پژوهش‌های خودشان و بررسی مستقل پاسخ‌های آن را نشان می‌دهد.
