把通用大模型改造成科研助手，正在从“提示词工程”转向“领域后训练”。Deep Principle 的 Hydrogen-1.0 是这一路线最新、也最激进的一次下注。

发生了什么

Deep Principle 发布了 Hydrogen-1.0，一个面向化学、材料科学与生命科学的开放权重科学模型，参数量 753B。它的做法不是从零预训练，而是在 Z.ai 的 GLM-5.3 基础上，用领域数据、实验室记录以及“智能体发现轨迹”进行后训练。

发布信息中有三点值得单独拎出：其一，权重以 MIT 许可开放，商用限制极少；其二，官方称其在 FrontierScience-Research 评测上取得对 GPT-6-Astra 的胜出；其三，训练数据里包含 agent 的发现轨迹——即模型不只学文献，还学“如何一步步做实验式探索”的过程数据。

需要说明的是，上述评测结论来自发布方自述，具体分数、评测设置与复现细节尚未在摘要中给出，读者应把它当作待验证的声明而非定论。

为什么重要

科学发现长期是闭源前沿模型的“演示场景”，而非可复用的基础设施。Hydrogen-1.0 的两个选择改变了这一点：开放权重让研究机构可以本地部署、在私有实验数据上继续微调；MIT 许可则基本扫清了高校与初创公司的使用障碍。

更关键的是路线选择。753B 的规模说明团队判断科学任务需要足够大的基座承载跨学科知识，而不是靠小模型加检索拼凑；而从 GLM-5.3 后训练而非自研基座，则意味着“领域科学模型”可能演化为一个可复制的工艺：选一个强基座，灌入实验室记录与智能体轨迹，产出专用模型。如果这套方法成立，科学模型的竞争焦点将从“谁的基座更强”转向“谁的数据与轨迹更独特”。

影响与看点

对开发者而言，MIT 许可下的 753B 权重意味着可审计、可微调、可嵌入自有管线，但部署成本不容低估——这一量级的推理需要可观的算力，中小团队更可能通过量化或蒸馏版本落地。

对行业而言，值得关注三点：一是“智能体发现轨迹”作为训练数据的有效性，若被复现，将成为实验室数据资产化的新范式；二是 FrontierScience-Research 这类评测能否成为科学模型的可信标尺，目前它仍由发布方引用，独立性待观察；三是闭源前沿模型在科研场景的溢价是否会被开源权重侵蚀。

一个独立判断：Hydrogen-1.0 的真正价值或许不在榜单胜负，而在于它把“科学模型”从产品叙事拉回到可检查的工程实践——权重开放之后，结论要接受同行复现，这比任何一次发布会的对比图都更有分量。