753B 的 Hydrogen-1.0：基于 GLM-5.3 后训练的科学模型，MIT 协议开放

Deep Principle 发布 Hydrogen-1.0，7530 亿参数的开放权重科学模型，覆盖化学、材料科学与生命科学。它是在 GLM-5.3 基础上，用领域数据、实验室记录和 agent 探索轨迹做后训练得到的，权重以 MIT 协议开放，官方称在 FrontierScience-Research 上优于 GPT-6-Astra。

后训练路线值得注意

不是从零训一个科学基座，是在通用强基座上做领域后训练。这条路现在越来越主流，原因很实际：从零训一个 700B 的模型，数据和算力都是天价，而通用基座已经具备了推理能力与科学常识，后训练只需要把它导向专业领域。

三类训练数据里，实验室记录和 agent 探索轨迹最有意思。前者是真实的实验过程与结果，后者是模型自己在科学问题上试错留下的路径。用探索轨迹训练，本质是让模型学会“怎么找答案”，而不只是“答案是什么”。

对做科学智能的团队意味着什么

这是一个可以直接落地的大规模领域基座。不用自己从通用模型慢慢喂，起点就高一截。

但要清醒：科学领域的评测集和真实科研任务差距很大。基准上超过某个闭源模型，不等于在你的具体课题上更好用。化学、材料、生命科学三个方向的数据分布差异极大，模型在这三者之间的能力也不均衡。

MIT 协议的分量

商用、修改、闭源分发都可以，没有附加条款。对药企、材料企业这类对数据外流极度敏感的行业，可私有化本身就是采购理由。

三条落地建议

先用你自己的历史实验数据做一次小样本评测，别信公开榜单。再把模型接进现有的计算流程做“候选生成器”，让它提假设、人来验证，而不是让它直接下结论。最后，把模型输出与实验记录的对应关系留痕，科学场景最怕的是无法追溯的结论。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

不改基座只加一层可训练模块，用40亿token蒸馏，对已有生产模型的团队很友好。但长上下文的难点不只在注意力，位置编码外推和训练数据长度分布才是硬骨头，换了注意力这两个问题不会消失。256K检索基准和能处理256K业务请求也不是一回事。

后训练路线现在是主流，成本比从零训低一个量级。但科学领域数据质量比数量重要得多，实验室记录里大量是非结构化描述，清洗成本往往被低估。MIT 协议开放权重这点对高校团队很友好。

在通用强基座上做领域后训练这条路我认同，从零训 753B 的成本没几家企业扛得住，而实验室记录和 agent 探索轨迹恰好是通用模型最缺的数据。真正要验证的是它在陌生体系上的泛化，别只在榜单上赢。MIT 协议开放权重这点，比分数更有价值。