استارتاپ Deep Principle مدل متنباز Hydrogen-1.0 را برای پژوهشهای علمی و کشف مواد منتشر کرد
استارتاپ چینی Deep Principle مدل علمی Hydrogen-1.0 را با وزنهای باز و پنجره زمینه یک میلیون توکن معرفی کرد. این مدل بر پایه معماری GLM-5.3 و با تکیه بر اسناد واقعی آزمایشگاهی آموزش دیده است تا به پژوهشگران در برنامهریزی آزمایشها و کشف مواد نو کمک کند.

در یک نگاه (نکات کلیدی خبر)
خلاصه مهمترین نکات و تحولات این گزارش برای مطالعه سریع
- استارتاپ Deep Principle مدل علمی متنباز Hydrogen-1.0 را با پنجره زمینه یک میلیون توکن و تحت مجوز MIT برای پژوهشگران در دسترس قرار داد.
- این مدل هوش مصنوعی بر پایه دادههای واقعی چرخه آزمایشگاهی و مسیرهای کشف مواد در شاخههای شیمی و زیستشناسی پسآموزش دیده است.
- نتایج اولیه حاکی از عملکرد برتر این مدل در غربالگری ترکیبات شیمیایی و همترازی آن با بزرگترین مدلهای زبانی در آزمونهای تخصصی است.
معرفی مدل
مدل Hydrogen-1.0 نخستین مدل پژوهشی علمی با وزنهای باز از سوی Deep Principle است؛ استارتاپی فعال در حوزه هوش مصنوعی برای علوم که در نوامبر ۲۰۲۶ از این دستاورد رونمایی کرد. این مدل بر پایه مدل پایه GLM-5.3 توسعه یافته و با تکیه بر دادههای علمی داخلی این شرکت، گزارشهای کامل چرخه آزمایشگاهی (شامل طراحی آزمایش، شیوه اجرا، مشاهدات و نتایج) و همچنین مسیرهای تجربی کشف مواد پسآموزش دیده است تا بهطور ویژه به شاخههای شیمی، علم مواد و علوم زیستی خدمترسانی کند.
وزنهای این مدل تحت مجوز MIT در پلتفرم Hugging Face (با شناسه deep-principle/Hydrogen-1.0 بههمراه نسخههای کوانتیزهشده MXFP4 و NVFP4) در دسترس عموم قرار گرفته است و از پنجره زمینه یک میلیون توکنی پشتیبانی میکند. افزون بر این، پژوهشگران میتوانند به این مدل در پلتفرم پژوهشی MIRA متعلق به Deep Principle دسترسی داشته باشند (که تعرفه استفاده از آن تا پایان نوامبر تا یکدهم قیمت معمول کاهش یافته است).
توضیحات
مشخصات و حقایق کلیدی
ویژگی | جزئیات |
|---|---|
توسعهدهنده | استارتاپ Deep Principle (اعلامشده توسط چنرو دوآن، همبنیانگذار و مدیر ارشد فناوری) |
مدل پایه | مدل GLM-5.3 از Z.ai (معماری مخلوط متخصصان MoE با حدود ۷۵۳ میلیارد پارامتر) |
دادههای آموزشی | دادههای علمی داخلی، اسناد کامل چرخه آزمایشگاهی و مسیرهای کشف تجربی |
پنجره زمینه | ۱ میلیون توکن |
مجوز انتشار | مجوز MIT با وزنهای باز (شامل فرمتهای BF16 و MXFP4 و NVFP4) |
روشهای دسترسی | دانلود از Hugging Face، پلتفرم ابری MIRA و رابط برنامهنویسی API (با قیمتی نزدیک به GLM-5.3) |
نتایج و ارزیابیهای اعلامشده (خوداظهاری)
- شاخص ارزیابی FrontierScience-Research: کسب امتیاز ۳۸٫۳ درصد در برابر ۳۳٫۳ درصد مدل GPT-6 Astra که به ادعای سازندگان بالاترین رکورد ثبتشده است.
- شاخص GPQA-Diamond: کسب امتیاز ۹۳٫۰ درصد که همتراز با قدرتمندترین مدلهای روز دنیا قرار دارد.
- کشف کمپلکسهای فلزات واسطه (TMC): میانگین بهترین شکاف انرژی HOMO-LUMO به میزان ۴٫۳۱۸ الکترونولت در دور پنجم در مقایسه با ۳٫۶۸۹ الکترونولت در GPT-6 Astra ثبت شده است.
- در سناریوهای پژوهشی داخلی، عملکرد این مدل برابر یا بالاتر از مدلهای پرچمدار GPT گزارش شده است.
چه ویژگیهایی این مدل را متمایز میکند؟
بیشتر مدلهای علمی بر پایه مقالات دانشگاهی و کتابهای درسی آموزش میبینند؛ در حالی که Hydrogen-1.0 از روند واقعی فعالیت دانشمندان در طراحی، اجرا، ثبت مشاهدات و نتیجهگیری آزمایشها بهعنوان سیگنال یادگیری بهره میبرد. به همین دلیل، این مدل بهجای تمرکز صِرف بر درستی پاسخهای تئوری، بر تصمیمگیری در برنامهریزی آزمایشها، شبیهسازی و غربالگری مواد تأکید دارد. همچنین به لطف دسترسی عمومی به وزنهای مدل، پژوهشگران مستقل میتوانند ادعاهای سازندگان را دوباره آزمایش و اعتبارسنجی کنند.
کاربردها
نحوه استفاده از مدل
- آزمایش آنلاین: با ورود به پلتفرم تحقیقاتی MIRA متعلق به Deep Principle میتوانید مدل Hydrogen-1.0 را امتحان کنید. هزینه استفاده از این سامانه تا ۳۰ نوامبر با تخفیف ویژه تا یکدهم قیمت معمول محاسبه میشود.
- دانلود وزنهای مدل: وزنهای این مدل با عنوان
deep-principle/Hydrogen-1.0در پلتفرم Hugging Face در دسترس است. در صورت محدودیت حافظه گرافیکی، نسخههای MXFP4 و NVFP4 قابل انتخاب هستند و اجرای آن از طریق فریمورکهای vLLM و SGLang که از معماری GLM-5.3 پشتیبانی میکنند، امکانپذیر است. - کاربردهای متداول:
- شیمی و علم مواد: غربالگری مولکولها و ترکیبات پیشنهادی، استدلال پیرامون خواص فیزیکی و شیمیایی و برنامهریزی شبیهسازیها
- برنامهریزی آزمایشها: پیشنهاد مراحل بعدی آزمایش بر اساس سوابق و نتایج آزمایشگاهی گذشته
- علوم زیستی: استدلال ترکیبی میان متون علمی و دادههای تجربی با بهرهگیری از پنجره زمینه طولانی برای بررسی کامل دفترچههای آزمایشگاهی
- مطالعه جزئیات فنی: وبلاگ رسمی شرکت و رشتهتوییتهای چنرو دوآن شامل توضیحات جامع درباره شیوه آموزش و معیارهای ارزیابی مدل است.
نکته: تمامی امتیازها بر پایه خوداظهاری تیم سازنده ارائه شده است؛ بنابراین توصیه میشود پیش از استناد به نتایج برای تصمیمگیریهای حساس پژوهشی، عملکرد مدل را در پروژههای اختصاصی خود محک بزنید.
مطالب مرتبط و پیشنهادی

سرقت کلیدهای هوش مصنوعی؛ تحمیل خسارت روزانه بیش از ۱۰۰ هزار دلار به شرکتها
مهاجمان سایبری با نفوذ به پروژههای ابری و سرقت کلیدهای دسترسی به مدلهای زبانی بزرگ، روزانه دهها تا صدها هزار دلار هزینه محاسباتی روی دست سازمانها میگذارند. گزارشهای امنیتی جدید نشان میدهد این حملات موسوم به LLMJacking با سرعتی نگرانکننده به ابزاری سودآور برای فروش غیرقانونی سرویسهای هوش مصنوعی ارزانقیمت تبدیل شدهاند.

خانوادهها با کمک هوش مصنوعی پروندههای قدیمی و حلنشده جنایی را بازگشایی میکنند
ابزارهای هوش مصنوعی به خانواده قربانیان کمک میکنند تا اسناد پراکنده و فراموششده پروندههای جنایی را مرتب کرده و سرنخهای تازه پیدا کنند. با این حال، عدم دسترسی به دادههای محرمانه پلیس و نامطمئن بودن نتایج مدلها، مرزهای مشخصی برای کارآگاهان مردمی تعیین کرده است.

رایزنی محرمانه OpenAI با نامزدهای ریاستجمهوری آمریکا؛ هوش مصنوعی سرنوشت انتخابات را تعیین میکند
ارشدترین لابیگر OpenAI در یادداشتی محرمانه به نامزدهای انتخابات ریاستجمهوری آمریکا تأکید کرده است که موضعگیری در قبال هوش مصنوعی، سرنوشت رقابت کاخ سفید را رقم خواهد زد. او هشدار میدهد که مخالفت با توسعه مراکز داده میتواند برتری فناوری ایالات متحده را به چین واگذار کند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.