Deep Principle a publié Hydrogen-1.0, un modèle destiné à la chimie, à la science des matériaux et aux sciences de la vie. L’entreprise indique l’avoir adapté à partir de GLM-5.3, un modèle de Z.ai, en s’appuyant sur des contenus scientifiques, des comptes rendus de laboratoire et des traces des actions d’agents de recherche. MarkTechPost présente Hydrogen-1.0 comme un modèle de 753 milliards de paramètres.
Les poids du modèle — les fichiers nécessaires pour l’exécuter ou l’adapter — sont disponibles sur Hugging Face sous licence MIT. Les chercheurs et les développeurs peuvent ainsi réaliser leurs propres évaluations et créer des outils à partir du modèle, sans dépendre uniquement d’un service exploité par l’entreprise. La publication ne comprend ni l’intégralité des jeux de données d’entraînement ni la méthode complète d’entraînement.
Quels tests Deep Principle a-t-il réalisés ?
Deep Principle affirme que Hydrogen-1.0 a surpassé GPT-6-Astra sur FrontierScience-Research et fait mieux que son modèle de départ, GLM-5.3, sur GPQA-Diamonds, avec des résultats proches de ceux de Kimi-K3. L’annonce de l’entreprise ne précise aucun score pour ces comparaisons : le texte seul ne permet donc pas d’évaluer l’ampleur des progrès annoncés.
Dans ses propres évaluations portant sur des tâches de recherche, Hydrogen-1.0 a obtenu de meilleurs résultats que GPT-6-Astra en calcul scientifique et en prédiction de réactions chimiques directes, dans les trois configurations de raisonnement testées. Face à Astra dans sa configuration maximale, il affiche des avances de 5,13 et 4,76 points de pourcentage. Astra a obtenu un score supérieur de 3,33 points en analyse de structures par RMN. Deep Principle a également comparé les modèles sur 117 questions de planification d’expériences, mais son annonce ne donne pas leurs scores.
Que peuvent exécuter les chercheurs ?
Deep Principle montre le modèle en train d’écrire et de corriger du code pour simuler un polymère, de cartographier des réactions chimiques possibles et d’évaluer des structures candidates à partir d’un spectre RMN. Ces exemples font appel à des outils externes et à des environnements de recherche : ce sont des démonstrations, et non la preuve que les conclusions scientifiques du modèle sont exactes.
La page Hugging Face propose des poids BF16 en pleine précision, ainsi que des versions de précision réduite pour certains matériels : les puces NVIDIA Blackwell ou AMD Instinct MI350X et MI355X. La page indique qu’un déploiement a été testé sur huit GPU, sans préciser le matériel utilisé pour ce test. Elle avertit également que les besoins varient selon les logiciels et la configuration, et que le modèle peut donner des réponses erronées. Les chercheurs devraient vérifier les affirmations importantes à l’aide de calculs, de la littérature scientifique ou d’expériences.
Pourquoi c'est important
Les chercheurs peuvent télécharger et adapter Hydrogen-1.0 au lieu de dépendre uniquement d’un modèle scientifique propriétaire. Mais les besoins matériels, le manque de transparence sur l’entraînement et les évaluations menées par l’entreprise les obligent à le tester sur leurs propres travaux et à vérifier ses réponses de manière indépendante.
