十一月二日，杭州的Deep Principle把Hydrogen-1.0的权重挂上了Hugging Face与ModelScope。总参数七千五百三十亿，MoE结构，七十八层，二百五十六个路由专家加一个共享专家，每个词元激活其中八个，实际激活量在四百亿上下。上下文一百万词元，单次最长输出十二万八千。许可用的是MIT，商用不设额外门槛。这些数字放在一起，是一份相当完整的交付说明，但它同时缺了最关键的一页。
官方最醒目的两个数字是38.3%与33.3%，前者是Hydrogen-1.0在FrontierScience-Research上的通过率，后者是对标的GPT-6-Astra。这一卷题目由OpenAI在FrontierScience项目里出，这也是材料里唯一题目不归发布方管的可比数字。
另一项公开题库是GPQA-Diamond，官方报93.0%，高于底座GLM-5.3，与Kimi-K3大致相当。剩下五项评测，包括科学计算、单步正反应预测、核磁结构解析、实验设计规划与材料搜索，全部由发布方自己出题、自己判分。
拆开看有两处要打问号。一是基线口径：官方说相对底座GLM-5.3提升13.9个百分点，反推底座是24.4%；而另一家国产团队十月底的官方评测表给GLM-5.3报的是30.7%。同一个模型两份材料差6.3分，最可能的解释是FrontierScience分Olympiad与Research两卷，但材料没写清基线取自哪一卷。
二是缺误差范围。38.3与33.3各跑几遍、方差多大、这5分在不在噪声里，材料里找不到。开放题按评分标准判分，判分本身就有波动。还有一处更直接的数字缺口：中文稿给的单步正反应预测是90.48%对83.33%，相减即7.15个百分点，英文技术博客却写4.76，两个数差2.4分。
Hydrogen-1.0不是从零训练，底座是智谱的GLM-5.3，Deep Principle在它上面做全模型MoE后训练，先监督微调再强化学习。真正的差异在数据，官方把训练原料分成四层：化学、材料、生命科学的领域语料；自家科学家给出的任务反馈；内部电子实验记录系统Mira采集的全周期实验记录；以及“发现轨迹”。
第四层最容易被忽略。所谓发现轨迹，是把提出假设、选候选、设计合成路径、评估、解读、决定下一步试什么这一整条链路留下来，连失败的尝试与意外的结果一起留下。论文只写走得通的那条路，实验室记录里有做砸的那部分，一个只读论文的模型学到的是别人整理过的最优解，碰上真问题容易给出看着合理、一动手就崩的方案。
也正因如此，这次开源的边界很清楚：权重给了1.5TB，那两类数据没给。模型卡写得很直白，完整训练数据集与完整训练配方都不随权重发布。你能拿到结果去测、去改、去接着训，但没法凭这个仓库重造它。对科研用户来说，这一条比分数更影响可用性，因为科研要的恰恰是可检查。
整份发布里最有意思的设计是材料搜索。任务是设计过渡金属配合物，目标是让HOMO-LUMO能隙越大越好。三家模型从同一批初始候选出发，每轮各推荐一个新候选，拿到评估结果再决定下一轮，共五轮，每个模型只看得到自己推荐的结果。
到第五轮，历史最优的平均能隙：Hydrogen-1.0是4.318电子伏，GPT-6-Astra是3.689，Kimi-K3是3.353。这个测试比前面所有百分制分数更接近真实科研，因为没有标准答案，只有一轮一轮的反馈，比的是看到结果之后下一步往哪走。
它的局限也同样明显。初始候选怎么选、五轮够不够、能隙是不是唯一该优化的指标，全是发布方定的。这类测试本质上是一次人工设计的对照实验，结论对设定高度敏感。换个材料体系，或者把合成可行性、毒性、原料价格放进约束，排名可能就变了。官方自己在博客末尾也承认，下一步的挑战是把一个体系里学到的经验迁移到别的材料家族，这句话等于说现在还没做到。
模型卡给的启动方式很干脆，SGLang，张量并行开到8。按BF16权重切成303个分片、总量约1.5TB算，每张卡要扛将近188GB，消费级显卡不用考虑，得上H200、B200这一档。官方还提醒了一句容易踩坑的细节：generation_config.json不能删，里面记着结束符，删了模型不会在答完时停下来。
算力不够还有两条路。一是量化版本，面向NVIDIA Blackwell的NVFP4与面向AMD MI350X、MI355X的MXFP4，四位精度理论上能把权重压到四分之一，但官方没说最低几卡能跑。二是走API，NeuroSpark已经上线，价格按官方说法与GLM-5.3同价。
接口做成了OpenAI兼容，换一个base_url就能接进现有工具链，思考深度通过reasoning_effort传，取值low、high、max三档。这套工程细节说明发布方想过别人怎么用，而不是把权重一扔了事。
38.3%这个数字会被下一个模型刷掉，这是必然的。留下来的东西是三样：1.5TB的MIT权重、四类训练数据的说明、以及那批失败实验的处理方式。前者让模型可以被检查、被改造、被私有化部署，后两者让同行知道这条路是怎么走出来的。
判断一个科学模型有没有用，最实在的办法不是看它的榜单，而是拿自己的题跑一遍。一个课题组如果正卡在反应预测或谱图判别上，把权重拉下来做小样本对照，比追新闻里的分数更有信息量。反过来，如果只是想让模型帮忙读文献、写综述，那么一个几B参数的通用模型配上检索，性价比要高得多。
开放权重降低了门槛，但没有降低门槛背后的成本。八张数据中心卡加机房，摊到一年是一笔固定支出，多数课题组扛不住。这也是为什么这类模型最终更可能以API与私有化两种形态存在，而不是人人本地一份。