Hydrogen-1.0 科學模型登場：從實驗紀錄到材料探索，官方成績怎麼讀？
Hydrogen-1.0 是 Deep Principle 以 GLM-5.3 後訓練的開放權重科學模型。解析實驗紀錄、分子模擬與五輪材料探索，分清官方評測、成本分母及獨立驗證限制。
Hydrogen-1.0 把科學模型的訓練材料，從知識答案延伸到實驗如何決定、執行與修正的過程。
研究不會只停在解出一題，因為一次失敗的結果，也可能改變下一次該測哪個候選材料。若只保留最後答案，這段決策關係就容易消失。
Deep Principle 在 2026 年 11 月介紹這個以 GLM-5.3 後訓練的開放權重模型，領域涵蓋化學、材料科學與生命科學。
官方提供科學問答、內部研究情境與材料搜尋的結果，但各項測試的分數、成本及比較對象並不相同。
對想測試科學代理的研究團隊，它提供可下載與檢視的起點。是否適合自己的實驗室，仍應由工作資料、設備條件與獨立驗證決定。
先看它如何從基礎模型接上完整研究紀錄，才能理解後面的案例各代表哪一段能力。
Hydrogen-1.0 如何把科學工作變成訓練材料？
科學問答通常可以整理成題目和答案，實驗紀錄卻包含更多中間決定。例如研究者為何更換溶劑、哪一次結果不支持原先假設，以及下一輪選擇如何受前一輪影響。
這些資訊決定了研究是否能往前走，也讓科學模型的訓練不能只靠最後結論。
Deep Principle 表示，Hydrogen-1.0 以 GLM-5.3 為基礎進行後訓練，材料涵蓋化學、材料科學、生命科學，以及自家實驗室累積的實驗紀錄。
這種來源讓模型有機會學到步驟之間的依賴，但資料來自實驗室，並不自動證明模型已掌握所有實驗條件。
官方還把代理與工具互動的軌跡納入訓練。軌跡保留提出方案、呼叫工具、觀察回覆與修正的過程，因此學習目標不只是回答正確，也包括遇到失敗後能否提出有根據的下一步。這項設計直接連到後面的模擬與材料搜尋案例。
開放權重與實際可用，是兩個部署問題
官方提供 Hugging Face、ModelScope 的模型權重，以及 NeuroSpark API，也就是讓程式呼叫模型的服務介面，以及 Mira AI Scientist 等使用途徑。
下載權重讓團隊可以檢視模型卡、安排自己的評估與部署，使用代管服務則把部分運算需求交給服務方，兩者的成本與資料處理條件仍需分別確認。
因此，評估這個模型時應先決定用途。如果只是要測研究問答，所需工具與資料流相對單純，若要讓代理執行模擬或編排實驗，就必須另外準備執行環境、記錄與權限。模型本身的推理表現，不會替這些系統條件提供保證。
We’re introducing Hydrogen-1.0, our first open-weight model for scientific research. We post-trained GLM-5.3 (@Zai_org) on our internal scientific data, lab records, and discovery trajectories.
— Chenru Duan (@chenru_duan) November 2, 2026
It scores 38.3% on FrontierScience-Research vs GPT-6-Astra’s 33.3% and scores 93.0%… pic.twitter.com/ycz1Clh79z
科學推理與內部情境成績，分母有何不同？
官方以 FrontierScience-Research、GPQA 等測試呈現科學推理表現，也設計了內部研究任務。這些成績都是發布團隊提供的評估，本文沒有把它們當成第三方複驗。
不同題組測量的能力不同，不能把各張圖的分數直接接成同一條排名。
例如知識問答能檢查模型是否推導出題目要求的答案，研究規劃則常需要評分量表判斷方案完整度。前者的正確率與後者的量表平均分並不是相同單位。即使兩張圖都有百分比，也要先確認題目、評分方式及比較條件。
成本圖也要分開讀：科學推理與實驗規劃圖只計輸出端費用，包含推理輸出，不納入輸入與評審模型成本，內部研究情境圖則計輸入、輸出及記錄的快取折扣。
Hydrogen 都借用 GLM-5.3 價格估算，並非自身服務的正式報價。
在內部科學計算與正向反應預測測試，官方報告 Hydrogen 相對 GPT-6 Astra max 分別高出 5.13 與 4.76 個百分點，核磁共振光譜推理則是 Astra 高出 3.33 個百分點。
這組差異說明優勢會隨任務改變，並非所有科學工作都由同一模型領先。
這也提供一個實際選型方法：先選與自己工作最接近的題組，再追問評審能否辨識關鍵錯誤。若實驗室最在意光譜候選的排除依據，就不應只用整體科學問答成績，替代對光譜推理的驗收。
模擬、反應與光譜案例，各完成哪一段工作？
官方的聚乙烯分子動力學案例，展示模型撰寫 Python、安排 GROMACS 工作，並在執行過程中修補拓樸檔案。最後得到四十奈秒的模擬軌跡。
這是把工具串起來完成計算的案例，尚不能推論同一材料在真實實驗中一定呈現相同性質。
模擬出現錯誤時，代理能否看懂回報並修正輸入，往往比第一次產生漂亮的程式碼更關鍵。因為錯誤修補需要對照原先目的，確認改動仍在研究假設之內，若只把工具跑完當成成功，就可能保留能執行卻沒有回答問題的結果。
另一個反應網路案例整理出二十七個結構與三十條合理反應。這些是計算探索中的候選關係，可以協助研究者安排後續檢查，並不是二十七種已完成合成的新材料。合理性判斷與實際可製備性之間，仍有反應條件與驗證工作。
光譜案例則從七個候選結構進行分析。它展示的是如何利用證據縮小候選範圍，並非證明模型能在所有光譜與混合物上獨立完成鑑定。是否取得足夠資料、候選是否涵蓋真正答案，都會影響這種推理是否可靠。
這三種案例各自落在不同環節：模擬偏向執行與除錯，反應網路偏向生成候選，光譜則偏向辨識與排除。把它們分開閱讀，才能知道要在哪個環節加入人工檢查，而不會把某一段成功延伸成整個研究已完成。
實驗方案為何還要先經虛擬設備檢查？
官方也用一百一十七道共同的實驗規劃問題比較模型，依十分制量表計分。GPT-6 Astra 與 Claude Opus 在超過一半題目中拒絕作答，因此未列入該圖比較。
未列出分數，不等於這些模型得零分，也不能只憑拒絕比例判定實驗安全能力。
更具體的案例是一份十二個反應瓶的 Suzuki 實驗方案。模型先把計畫轉成結構化指令，再交給虛擬實驗環境檢查。檢查發現吸液前沒有先換新吸頭，違反動作的前置條件，於是需要調整步驟順序後重新編譯。
這個例子顯示，文字看起來連貫，並不代表設備可以照著執行。人類讀者可能自行補上「先準備好吸頭」的常識，執行系統卻需要明確步驟。把前置條件寫出來，才能讓漏掉的動作在實際操作之前被發現。
不過，虛擬檢查只能檢查環境已經建模的規則。若設備校正、污染來源或材料狀態沒有被表示，就不能期待編譯成功替它們背書。因此這項案例支持先做程序檢查，並沒有證明無人實驗室能因此達成零錯誤。
對研究團隊而言，合理的導入範圍是先挑可描述、可驗證的流程，保存每次指令與回報，再對照真正設備的限制。當模擬與現場結果不一致，應回到具體假設找原因，而不是只要求模型把答案寫得更有把握。
材料探索的五輪回饋，如何影響下一個候選？
在過渡金屬配合物探索中，官方讓各模型從相同初始候選群開始，進行五輪搜尋。每個模型只能看到自己先前提出的候選與所得回饋，不能直接借用其他模型的結果。
這樣的安排，才有辦法比較模型如何利用歷史選擇下一輪方向。
研究設定的目標，是提高候選的 HOMO–LUMO 能隙。這個指標描述特定電子能階間的差距，與材料研究中的性質判讀相關，但一個指標提高，並不意味材料的成本、穩定性、可合成性或其他應用需求也一起改善。
官方報告的歷來最佳結果平均值，Hydrogen 為 4.318 電子伏特，Astra 為 3.689，Kimi 為 3.353。
這是在指定初始群、搜尋輪數與評估工具下的比較，不能直接改寫成所有材料發現工作的效率提升比例。
這類搜尋的價值，在於讓每輪結果影響下一輪，而非一次列出大量名稱。若某個改動沒有達到預期，代理需要保留失敗資訊並改變策略。完整軌跡因此不只用於訓練，也能讓研究者在事後確認選擇是否有合理依據。
真正要重現這種能力，還需要固定評估工具與候選合法性檢查，避免模型只是找到了評分規則的漏洞。後續若能由其他團隊在不同起點、不同目標上複驗，才更容易判斷目前結果能推廣到哪些研究工作。
訓練如何保留失敗經驗，又避免混淆不同版本？
官方訓練流程結合監督式微調與強化學習。前者提供可參考的研究步驟，後者根據研究結果回饋調整決策。兩者分別處理「如何開始」和「結果不如預期後如何改進」，因此完整軌跡比單一正確答案多了選擇的前因後果。
實際訓練時，模型生成的長回答未必會在一輪運算內完成。官方系統會保存尚未完成的前綴，等下一輪繼續生成。這樣可以保留已做的工作，但也帶來一個問題：前半段可能由舊版本模型產生，後半段則接上更新的權重。
官方因此逐一保存每個生成單位當時的機率，讓訓練能分辨不同版本做出的選擇。尚未完成的回答也不會立刻納入更新，而是等同組結果完整後才進入訓練。
這是維持資料與模型版本關係的工程安排，不能只用「模型自己學會研究」概括。
訓練權重轉成推論格式時，也可能因數值精度或排列方式改變而產生差異。團隊表示會先做零梯度更新的轉換測試，量出格式轉換本身造成的變化，再評估真正訓練之後的增益。如此才能避免把轉檔誤差當成學習成果。
下載時還要固定哪一個模型版本？
模型卡區分未量化權重與另外發布的量化版本，也提醒不同版本可能產生不同結果。所謂量化，是用較低精度表示數值以減少資源需求。團隊若先測服務端再換成本機版本，就需要重新確認原先的研究結果能否重現。
官方記錄以八張 GPU 測試特定推論框架，並要求保留控制回答終止的設定檔。這些部署資訊說明，下載權重只是第一步。讓研究者保有完整生成紀錄、辨識截斷回答並固定版本，才有辦法把異常結果回溯到具體原因。
Hydrogen-1.0 常見問題
開放權重是否代表一般電腦就能直接使用？
不是。開放權重說明取得與部署的可能性，實際運算需求要依模型卡與硬體配置判斷。團隊仍應分開評估代管 API、本地部署及工具執行的成本，不能把下載連結理解成低門檻的單機產品。
Hydrogen-1.0 官方展示是否已證明新材料在實驗室成功？
本文提到的反應網路與能隙搜尋，主要是計算探索結果，虛擬實驗案例則是程序檢查。它們提供候選與流程證據，尚不能替代合成、量測及獨立重現，也不應用「已發現可量產材料」概括。
研究者可以從哪一種任務開始評估？
可以先挑自己熟悉、具有明確驗收條件的工作，例如重現一段既有模擬，並保存輸入、工具版本與修改紀錄。先確認它能否處理已知錯誤，再逐步擴大探索範圍，較容易分辨模型能力和環境問題。
從可查核的研究流程開始測試科學代理
這個科學模型提供的研究方向，是把知識推理與反覆執行接在一起。它的不同案例也提醒讀者，科學工作由許多驗證環節組成，單一成績不能替代其他環節。
讓每個主張對應實際產出，才有辦法評估模型究竟替研究省下哪一段工作。
想持續追蹤 AI 研究方法與可驗證的技術進展，歡迎免費訂閱 AI 郵報。
延伸閱讀：GPT-6 Rosalind Research 更新：相同模型權重，研究存取規則為何不同？
延伸閱讀：OpenAI 宣稱 AI 提出三項科學成果：數學、計算難題與量子物理如何驗證？
