Deep Principle veröffentlicht Hydrogen-1.0: 753B-Wissenschaftsmodell mit offenen Gewichten, auf 8 GPUs mit SGLang bedienbar
Laut einem Bericht von MarkTechPost vom 2. November 2026 hat das in Hangzhou ansässige Unternehmen Deep Principle Hydrogen-1.0 veröffentlicht. Das Modell wurde auf Basis von GLM-5.3 nachtrainiert, hat 753 Mrd. Gesamtparameter und 1 Mio. Token Kontext; die Gewichte sollen unter MIT-Lizenz offen sein. In der eigenen Bewertung erreicht es 38,3 % bei FrontierScience-Research gegenüber 33,3 % für GPT-6-Astra, liegt bei der NMR-Strukturanalyse aber 3,33 Prozentpunkte zurück.

Was sich geändert hat
Laut MarkTechPost vom 2. November 2026 hat Deep Principle, ein auf AI for Materials spezialisiertes Unternehmen mit Sitz in Hangzhou, Hydrogen-1.0 veröffentlicht. Die Gewichte seien auf Hugging Face und ModelScope hochgeladen und laut Bericht unter MIT-Lizenz veröffentlicht. Die Modellkarte beschreibt es als ein aus dem GLM-5.3 von Z.ai abgeleitetes Modell für Problemformulierung, Versuchsplanung, Ergebnisanalyse und offene Entdeckung. Das Team bezeichnet es als reproduzierbare und prüfbare Alternative zu zuvor nicht offenen proprietären Wissenschaftsmodellen. Zu den Spezifikationen nennt der Bericht 753 Mrd. Gesamtparameter, ein MoE-Modell mit etwa 40 Mrd. aktiven Parametern (die Aktivierungsgröße sei vom GLM-5.3-Basismodell übernommen), 1 Mio. Token Kontext, maximal 128K Ausgabe und reine Textmodalität. Das Training kombiniere überwachtes Feintuning mit Reinforcement Learning; die Daten stammten aus vier Kategorien: Fachwissen aus Chemie, Materialwissenschaften und Biowissenschaften; Aufgabenfeedback von Deep-Principle-Wissenschaftlern; den gesamten Versuchszyklus umfassende elektronische Laboraufzeichnungen, die über Mira erfasst wurden; sowie Auswahl- und Feedbacksequenzen einschließlich fehlgeschlagener Versuche. Die Infrastruktur basiere auf Megatron und SGLang und decke NVIDIA CUDA sowie AMD ROCm ab; Trainings-Checkpoints würden über einen Layout-Adapter in BF16- und 128×128-geblockte FP8-Inferenzgewichte umgewandelt. Der Bericht schreibt ausdrücklich, dass der vollständige Datensatz und das Trainingsrezept nicht offengelegt wurden. Alle Benchmarks stammen aus der Selbsteinschätzung des Herstellers. Bei FrontierScience-Research erreicht Hydrogen-1.0 38,3 %, GPT-6-Astra wird im Bericht mit 33,3 % angegeben. Die 93,0 % bei GPQA-Diamond stammen aus einem Tweet-Thread des Gründers; die Aussage, das Modell sei „besser als GLM-5.3 und etwa gleichauf mit Kimi-K3“, ist eine Aussage des Blogs, während in der Vergleichstabelle des Berichts die entsprechenden Werte für beide als nicht offengelegt markiert sind; der Wert von 96,0 % für GPT-6-Astra in dieser Tabelle ist als OpenAI-Bericht gekennzeichnet. Bei internen Forschungsaufgaben diente GPT-6-Astra im maximalen Denkmodus als Referenz: Hydrogen-1.0 liegt beim wissenschaftlichen Rechnen 5,13 Prozentpunkte vorn, bei der Vorhersage von Vorwärtsreaktionen 4,76 Prozentpunkte vorn und bei der NMR-Strukturanalyse 3,33 Prozentpunkte zurück. In einer Aufgabe zum Design von Übergangsmetallkomplexen verfolgte das Modell über fünf Runden eine größere HOMO-LUMO-Lücke; der durchschnittliche historische Bestwert in der fünften Runde betrug 4,318 eV, im Bericht werden für GPT-6-Astra 3,689 eV und für Kimi-K3 3,353 eV genannt. Bei 117 Aufgaben zur Versuchsplanung erzielte Hydrogen-1.0 einen höheren Wert als Kimi-K3; GPT-6-Astra und Opus-5.5 wurden aus diesem Vergleich ausgeschlossen, weil sie mehr als die Hälfte der Anfragen ablehnten. Es gab vier Demonstrationen: den Aufbau einer Polyethylen-Schmelze in Python und die Ausführung von GROMACS, wobei ein Topologiefehler gefunden, behoben und die korrigierte 40-ns-Trajektorie analysiert wurde; die Erweiterung eines Ireland-Claisen-Reaktionsnetzwerks mit 27 Strukturen aus 30 plausiblen Reaktionen; die Rangfolge von sieben möglichen einfach formylierten Produkten von 2-Bromnaphthalin anhand von 1H-NMR-Spektren; und das Verfassen eines JSON-Protokolls für eine Suzuki-Kupplungsstudie mit 12 Reaktionsgefäßen. Der Kompilierungsschritt des virtuellen Labors habe zudem eine Pipettieroperation vor der Ausführung gestoppt, bei der die Spitze nicht gewechselt worden sei. Auf der Deployment-Seite habe das Team BF16-Serving mit SGLang auf 8 GPUs bei Tensor-Parallelität 8 getestet; außerdem gebe es eine NVFP4-Version für NVIDIA B200/B300 und eine MXFP4-Version für AMD Instinct MI350X/MI355X. Der Server biete eine OpenAI-kompatible Schnittstelle mit einer reasoning_effort-Einstellung. Der Bericht nennt weder API-Preise für Hydrogen-1.0 noch einen Hosting-Dienst.
Auswirkungen für Entwickler
Die erste Hürde für Entwickler ist die Hardware, nicht der Zugang. 753 Mrd. Gesamtparameter und etwa 40 Mrd. aktive Parameter bedeuten, dass Self-Hosting ein Projekt im Acht-GPU-Maßstab ist; im Bericht wurde nur eine Konfiguration verifiziert: BF16 mit TP=8. Wer die Größe auf weniger GPUs drücken will, kann nur auf NVFP4- oder MXFP4-Checkpoints setzen; diese Versionen sind jeweils an Blackwell (B200/B300) und MI350X/MI355X gebunden. Für Teams mit H100/H200 oder MI300 nennt der Bericht keinen entsprechenden Weg. Das ist eher eine Option für „wer die Ressourcen hat, kann es selbst betreiben“ als eine, bei der man schnell einen Container startet – besonders beim 1-Mio.-Token-Kontext: Prefill-Zeit und Speicherbedarf müssen für lange Anfragen separat gemessen werden und lassen sich nicht aus dem Durchsatz kurzer Prompts extrapolieren. Die Form der Schnittstelle senkt die Migrationskosten. Der SGLang-Server stellt eine OpenAI-kompatible Schnittstelle bereit, an die bestehende Clients und Prompt-Orchestrierungsschichten meist direkt anknüpfen können. reasoning_effort macht das Denkbudget zu einem Anfrageparameter, doch der Bericht nennt weder Wertebereich noch Standardwert noch die Beziehung zu Ausgabe-Tokens. Das muss man im eigenen Gateway zuerst klären; sonst driftet die Latenz im Betrieb mit der Standardstufe. Bei der Lizenz sind zwei Dinge zu trennen: Der Bericht gibt an, die veröffentlichten Gewichte stünden unter MIT, was freizügiger als „nur offene Gewichte“ sei; in derselben Vergleichstabelle ist für das Basismodell GLM-5.3 jedoch eine andere GLM-5.3-Lizenz angegeben. Ob ein abgeleitetes Modell, das auf einem Basismodell mit eigener Lizenz nachtrainiert wurde, vom Anbieter der Ableitung unter MIT weiterverbreitet werden darf, muss man direkt in der Lizenzdatei und der Modellkarte prüfen und nicht aus der Downloadbarkeit der Gewichte ableiten. Datensatz und Trainingsrezept sind nicht offengelegt; die vom Team behauptete Reproduzierbarkeit und Prüfbarkeit deckt derzeit nur die Ebene der Gewichte ab, Laboraufzeichnungen und Entdeckungspfade fallen nicht darunter. Beim Fähigkeitsprofil gibt es eine Asymmetrie. Der Bericht räumt selbst ein, dass das Modell bei der NMR-Strukturanalyse 3,33 Prozentpunkte hinter GPT-6-Astra liegt; das ist ein Vergleich bei internen Forschungsaufgaben. Dieselbe Reportage enthält an anderer Stelle eine Demonstration, in der das Modell anhand von 1H-NMR-Spektren sieben mögliche einfach formylierte Produkte in eine Rangfolge bringt. Das sind unterschiedliche Aufgaben: Das eine ist die im Bericht benannte Schwäche, das andere nur eine Demonstration. Ob Ihr Geschäft diese Schwäche trifft, hängt vom Anteil analytischer Aufgaben in Ihren Anfragen ab und lässt sich nicht durch die Anzahl der Demonstrationen in einem Ticket ersetzen. Ein methodisches Detail verdient Beachtung. Bei der Aufgabe zur Versuchsplanung wurden zwei Konkurrenten ausgeschlossen, weil ihre Ablehnungsrate über der Hälfte lag; das bedeutet, der Vergleich fand nur bei Anfragen statt, die das Modell beantworten wollte. Wenn Ihre Online-Prompts selbst unscharf sind oder sensible Informationen betreffen, sollte die Ablehnungsrate zusammen mit der Genauigkeit in die Bewertung eingehen. Sonst wählen Sie womöglich nur das Modell aus, das eher Arbeit annimmt, und nicht das genauere.
Integration und Bewertung
Das Folgende ist eine bedingte Analyse auf Grundlage des Berichts und keine verifizierten Tatsachen. Entscheidung eins: BF16 oder FP4 als Präzisionsversion. Die im Bericht beschriebene Änderung ist, dass dasselbe Modell drei Inferenzpfade hat – das getestete BF16 (8 GPUs, TP=8), NVFP4 für B200/B300 und MXFP4 für MI350X/MI355X. Man sollte nicht allein wegen „neues Format ist schneller“ FP4 wählen, sondern es als abzunehmende Alternative behandeln. Auslöser ist erstens die Accelerator-Generation: FP4-Checkpoints gibt es nur für die entsprechende Hardware, andere Maschinen fallen auf BF16 zurück; zweitens die Frage, ob genug Speicher für BF16 vorhanden ist. Ein messbares Kriterium: einen Satz eigener Aufgaben nehmen (etwa eine Reihe von Spektren-Produkt-Rangfolgen und eine Reihe von Vorwärtsreaktionsvorhersagen), BF16 und FP4 getrennt laufen lassen und Top-1-Übereinstimmung sowie Ausgabelatenz pro Anfrage vergleichen. Wenn der Rückgang der Übereinstimmung Ihre Geschäftsschwelle überschreitet und BF16 zugleich läuft, bleibt man bei BF16. Entscheidung zwei: vollständiger Austausch oder Aufteilung nach Aufgaben. Die im Bericht genannte Änderung ist, dass Hydrogen-1.0 auf GLM-5.3 aufbauend ein wissenschaftliches Nachtraining erhalten hat, während der Bericht den Schwerpunkt des Basismodells GLM-5.3 bei Programmierung und Agenten beschreibt. Man sollte nach Anfragetyp routen, statt ein Modell durch ein anderes zu ersetzen: Reasoning und Versuchsplanung in Chemie, Materialwissenschaften und Biowissenschaften gehen an Hydrogen-1.0, allgemeine Programmierung und Tool-Orchestrierung bleiben beim Basismodell oder bei anderen Modellen. Voraussetzung ist genügend Anfragevolumen, um beide Verkehrsströme getrennt zu erfassen; sonst erhöht das Routing nur den Betriebsaufwand. Kriterium: je Aufgabenkategorie ein Holdout-Set zurückhalten und Bestehensrate sowie tatsächliche Kosten pro erfolgreicher Aufgabe erfassen. Erst wenn der Gewinn bei wissenschaftlichen Aufgaben die Kosten für den Betrieb einer zusätzlichen Deployment-Variante deckt, sollte man aufteilen. Entscheidung drei: die Standardstufe von reasoning_effort. Der Bericht bestätigt, dass der Server diese Einstellung bereitstellt, und erklärt zugleich, dass der Vergleich mit GPT-6-Astra im maximalen Denkmodus stattfand. Man sollte die Stufe des Wettbewerbers nicht übernehmen, sondern die Kurve selbst durchmessen. Voraussetzung ist, dass Ausgabe-Tokens und Ende-zu-Ende-Latenz jeder Anfrage protokolliert werden. Kriterium ist die Kurve von Genauigkeit gegen Ausgabe-Tokens; den Knick, an dem der Grenznutzen deutlich abflacht, als Standardwert nehmen und für latenzempfindliche Online-Schnittstellen eine separate niedrigere Stufe setzen. Die begleitenden Bewertungsschritte lassen sich nach den im Bericht selbst genannten Stärken und Schwächen ordnen: Zuerst die NMR-Strukturanalyse als Schwäche an den eigenen Daten reproduzieren und prüfen, ob die Fehlertypen mit der berichteten Richtung des Rückstands übereinstimmen; dann die behaupteten Stärken reproduzieren, etwa iterative Optimierung über mehrere Runden auf eine größere Energielücke, und prüfen, ob der Konvergenzverlauf in der fünften Runde den im Bericht genannten Zahlen nahekommt; schließlich Ablehnungsrate und Formatbefolgung erfassen, denn im Bericht wurden zwei Konkurrenten genau über die Ablehnungsrate ausgeschlossen.
Grenzen und offene Fragen
Die Version Hydrogen-1.0 steht derzeit nicht im Modellkatalog von KimiSeek; diese Site listet das Modell nicht auf und bietet keinen Zugang zu ihm. Die im Bericht genannte Download-Adresse für die Gewichte und die OpenAI-kompatible Schnittstelle verweisen auf ein Self-Hosting-Deployment auf Seiten des Herstellers. Angaben zu Hosting-Verfügbarkeit, Preisen und Ratenlimits müssen sich nach Deep Principle oder dem tatsächlichen Hosting-Anbieter richten. GLM-5.3 im Katalog dieser Site ist das Basismodell; beide sind nicht dasselbe Modell. Alle Benchmarks im Bericht sind Selbsteinschätzungen von Deep Principle; eine unabhängige Reproduktion von FrontierScience-Research oder der internen Aufgaben wird im Bericht nicht erwähnt. Die 33,3 % für GPT-6-Astra sind eine von Deep Principle wiedergegebene Zahl; die 93,0 % bei GPQA-Diamond stammen aus einem Tweet-Thread des Gründers; und die Aussage „besser als GLM-5.3, etwa gleichauf mit Kimi-K3“ wird durch die entsprechenden Werte in der Tabelle des Berichts nicht gestützt. Datensatz und Trainingsrezept sind nicht offengelegt; die MIT-Lizenz soll laut Bericht nur die veröffentlichten Gewichte abdecken, das Basismodell verwendet in der Vergleichstabelle eine andere Lizenz. Ob abgeleitete Gewichte unter MIT weiterverbreitet werden dürfen, ist direkt anhand der Lizenzdateien zu prüfen. Die vier Demonstrationen zeigen nur, dass Abläufe funktionieren, und sind keine Validierung von Genauigkeit oder Sicherheit. Der Bericht nennt weder API-Preise noch einen Hosting-Dienst für das Modell; falls später ein Hosting-Anbieter auftritt, sind Preise und Kontingente auf dessen Preisseite zu prüfen.