Hydrogen-1.0开源科学模型：FSR超GPT-6 Astra，成本低72%

开源科学模型领域迎来一位新玩家。Deep Principle团队发布了Hydrogen-1.0——一个基于GLM-5.3后训练的开源权重模型，专攻化学、材料科学与生命科学。在团队自建的FrontierScience Research评测中，它交出了一份颇具话题性的成绩单：以38.3%的通过率超过GPT-6 Astra的33.3%，同时估算输出成本仅为后者的约四分之一。

reddit source: Hydrogen-1.0开源科学模型发布帖

评测表现：领先与落后并存

据Deep Principle在Reddit发布的贴文，Hydrogen-1.0在FSR评测中领先GPT-6 Astra（max thinking模式）5个百分点。成本侧差距更明显：每道题估算输出成本0.25美元，对比Astra的0.88美元，降幅约72%。团队强调这一数字基于其自身评测设置，并非第三方独立审计结果。

在通用科学问答基准GPQA Diamond上，Hydrogen-1.0取得92.9%的准确率，略低于Kimi K3的93.5%，差距在半个百分点量级。

团队还公布了内部任务集上的对比：科学计算任务领先Astra 5.13个百分点，单步正向反应预测领先4.76个百分点；但在NMR结构解析上落后3.33个百分点。这种"有胜有负"的分布，反而比一边倒的宣传更值得细看——它说明模型的能力轮廓是具体的，而非笼统的"全面超越"。

GPQA Diamond 是当前科学问答领域最具代表性的高难度基准之一，全称为 Graduate-Level Google-Proof Q&A Diamond。它由生物学、物理学和化学领域的博士级专家撰写题目，设计目标是让答案无法通过简单搜索获得，因此对模型的领域知识深度与多步推理能力要求很高。GPQA Diamond 共包含约 198 道四选一题目，覆盖遗传学、量子力学、有机化学等细分方向。由于题目难度大且区分度高，它常被用来横向比较不同模型在研究生级别科学推理上的水平。需要注意的是，该基准的题目多为封闭式选择题，与真实科研中开放式、需要工具协同的任务存在差距，因此高分并不直接等同于科研工作流能力。

训练思路：把科研流程本身当作学习对象

Hydrogen-1.0的出发点来自一个朴素的观察：研究人员用大模型时，大量精力花在串联步骤上——把问题变成计划、准备输入、运行工具、检查输出、出错后决定下一步。团队想知道，如果直接拿科学工作流来训练，模型能否更好地处理这些环环相扣的决策。

训练方法结合了监督微调（SFT）与强化学习（RL），数据来源包括领域数据、科学家反馈、自有实验室记录以及发现轨迹。实验室记录把研究目标、操作步骤、观察结果和最终结论保存在一起；发现轨迹则记录了反馈、失败尝试或意外结果出现后，下一步如何调整。SFT提供科学推理、实验规划、协议设计与分析的范例，RL则利用研究结果反馈来优化决策。

这套思路的意义在于：它训练的不是"知识问答"，而是"科研动作序列"。

SFT（监督微调）与 RL（强化学习） 是当前大模型后训练阶段的两类核心方法。SFT 通过高质量的输入—输出示例对，让基座模型学会特定领域的回答风格、格式与推理范式，本质上是行为克隆；它稳定、易实现，但受限于示例数据的覆盖范围。RL 则让模型在环境中生成多个候选答案，依据可验证的奖励信号（如答案正确性、工具调用成功与否、评测得分）优化策略，从而突破示例数据的上限。在科学场景中，RL 的奖励可以来自计算结果是否收敛、协议能否通过校验、反应预测是否匹配实验结果等。两者通常串联使用：先用 SFT 建立基础能力与格式规范，再用 RL 针对难以通过示例覆盖的决策环节做精细优化。

五个工作流案例：能力与边界

贴文展示了五个模型加工具的完整走查案例，覆盖从计算到实验规划的多类场景：

聚合物分子动力学：用Python构建聚乙烯熔体，运行GROMACS，检查并修复拓扑，重启模拟，最终输出修正后的40纳秒轨迹，并对密度、分子堆积、扩散和链尺寸进行分析。
反应网络：探索相互连接的分子结构、竞争路径与已记录的能量壁垒。
NMR解析：将七个候选结构与给定的质子NMR谱图逐一比对——这正是它落后Astra的那类任务。
实验规划：为12孔Suzuki偶联研究生成机器可读协议，并对设备能力和操作前提做虚拟校验。
材料搜索：通过五轮反馈引导搜索，寻找HOMO–LUMO能隙更大的过渡金属配合物。

团队特意做了澄清：这些是精选的"模型+工具"演示，不代表自主科研的整体成功率。GROMACS负责实际的分子动力学计算，协议校验是虚拟的，不意味着物理实验真的执行过。这种自我设限的表述，在开源模型发布中并不常见。

GROMACS 是一款广泛使用的开源分子动力学模拟软件包，主要用于蛋白质、脂质、聚合物等生物与软物质体系的经典力场模拟。典型流程包括：用工具生成拓扑文件、设置模拟盒子与溶剂、进行能量最小化、平衡、正式模拟，最后分析轨迹中的密度、扩散系数、径向分布函数等物理量。分子动力学模拟对输入文件的格式一致性极为敏感，拓扑缺失或参数不匹配常导致运行中断，因此"检查并修复拓扑、重启模拟"是真实工作流中高频出现的排错环节。在 Hydrogen-1.0 的聚合物案例中，模型正是围绕这一串前后依赖的操作步骤展开，而非直接给出某一物理量的数值答案。

开源科学模型竞争的新变量

Hydrogen-1.0选择从GLM-5.3后训练而非从零训练，走的是"基座+领域深耕"的路线，权重与模型卡已上传Hugging Face，技术细节和评测方法在官方文章中公开。对于计算化学与材料科学的研究者来说，它的价值不在于榜单上的几个百分点，而在于可以本地部署、可以核查训练与评测细节、可以针对自己的任务继续微调。

团队在贴文末尾直接向计算化学和材料科学从业者发问：你会先拿它试什么，在信任结果之前又会检查什么？这个问题本身，或许比任何一个百分点的领先都更接近科学工作的真实状态。