← 전체 모델 소식

Deep Principle, Hydrogen-1.0 공개: 753B 과학 특화 모델 가중치 오픈, 8-GPU SGLang 서빙 가능

MarkTechPost가 2026년 11월 2일 보도한 바에 따르면, 항저우의 Deep Principle이 GLM-5.3을 후속 학습해 만든 Hydrogen-1.0을 공개했다. 총 753B 파라미터, 1M 컨텍스트이며 가중치는 MIT 라이선스로 공개됐다고 보도됐다. 자체 평가에서 FrontierScience-Research 38.3%로 GPT-6-Astra의 33.3%를 앞섰고, NMR 구조 해석에서는 3.33%포인트 뒤졌다.

게시 수정
원문 보도의 표지 이미지 — Deep Principle, Hydrogen-1.0 공개: 753B 과학 특화 모델 가중치 오픈, 8-GPU SGLang 서빙 가능
원문 보도의 표지 이미지원문 보도 ↗

주요 변화

MarkTechPost가 2026년 11월 2일 보도한 바에 따르면, 항저우에 본사를 둔 AI for Materials 기업 Deep Principle이 Hydrogen-1.0을 공개했으며 가중치는 이미 Hugging Face와 ModelScope에 업로드됐고 보도는 MIT 라이선스로 배포된다고 전했다. 모델 카드는 이 모델을 Z.ai의 GLM-5.3 파생 모델로 설명하며 문제 구성, 실험 계획, 결과 분석, 개방형 발견을 겨냥한다고 밝힌다. 팀은 이전까지 비공개였던 독점 과학 모델에 재현 가능하고 검토 가능한 대안을 제공한다고 말한다. 규격 면에서 보도는 총 753B 파라미터, 약 40B 활성의 MoE(활성 규모는 GLM-5.3 베이스에서 계승), 1M 토큰 컨텍스트, 최대 128K 출력, 텍스트 전용 모달리티를 제시한다. 학습은 지도 미세조정과 강화학습을 결합했고 데이터는 네 갈래다. 화학·재료·생명과학 분야 지식, Deep Principle 과학자들이 제공한 과제 피드백, Mira를 통해 수집한 전 주기 전자 실험 기록, 그리고 실패한 시도를 포함한 선택·피드백 시퀀스다. 인프라는 Megatron과 SGLang 기반이며 NVIDIA CUDA와 AMD ROCm을 아우른다. 학습 체크포인트는 레이아웃 어댑터를 거쳐 BF16 및 128×128 블록 FP8 추론 가중치로 변환된다. 보도는 전체 데이터셋과 학습 레시피가 공개되지 않았다고 명시한다. 벤치마크는 모두 벤더 자체 평가다. FrontierScience-Research에서 Hydrogen-1.0은 38.3%를 기록했고 보도에서 GPT-6-Astra는 33.3%다. GPQA-Diamond의 93.0%는 창업자의 트윗 스레드에서 나온 수치다. 'GLM-5.3보다 우수하고 Kimi-K3와 대략 동등하다'는 것은 블로그의 주장이며, 보도의 비교표에서 이 두 곳의 해당 항목 점수는 미공개로 표시돼 있고 표의 GPT-6-Astra 96.0%는 OpenAI 보고치로 표기돼 있다. 내부 연구 과제 평가는 최대 사고 모드의 GPT-6-Astra를 기준으로 삼았는데, 과학 계산에서 5.13%포인트 앞서고, 정방향 반응 예측에서 4.76%포인트 앞서며, NMR 구조 해석에서는 3.33%포인트 뒤진다. 전이금속 착물 설계 과제에서 모델은 다섯 라운드에 걸쳐 더 큰 HOMO-LUMO 갭을 추구했고 5라운드 평균 역대 최고치는 4.318 eV였으며, 보도는 GPT-6-Astra 3.689 eV, Kimi-K3 3.353 eV를 제시한다. 실험 계획 117문항에서 Hydrogen-1.0은 Kimi-K3보다 높은 점수를 받았고, GPT-6-Astra와 Opus-5.5는 요청의 절반 이상을 거부해 이 항목 비교에서 제외됐다. 데모는 네 가지다. Python으로 폴리에틸렌 용융체를 구축해 GROMACS를 실행하고, 토폴로지 오류를 발견해 수정한 뒤 수정된 40 ns 궤적을 분석했다. 30개의 합리적 반응으로 27개 구조를 포함하는 Ireland-Claisen 반응 네트워크를 확장했다. 1H NMR 스펙트럼으로 2-브로모나프탈렌의 7개 후보 모노포르밀화 생성물 순위를 매겼다. 12개 바이알 Suzuki 커플링 연구를 위한 JSON 프로토콜을 작성했다. 가상 실험실의 컴파일 단계는 실행 전에 팁을 교체하지 않은 피펫팅 동작을 한 차례 차단했다. 배포 측면에서 팀은 SGLang으로 8개 GPU, 텐서 병렬도 8에서 BF16 서빙을 시험했다. 별도로 NVIDIA B200/B300용 NVFP4 버전과 AMD Instinct MI350X/MI355X용 MXFP4 버전이 있으며, 서버는 OpenAI 호환 인터페이스와 reasoning_effort 설정을 제공한다. 보도는 Hydrogen-1.0의 API 가격을 밝히지 않았고 관리형 서비스도 언급하지 않았다.

개발자에게 미치는 영향

개발자에게 첫 번째 관문은 접속이 아니라 장비다. 총 753B 파라미터, 약 40B 활성은 자체 추론이 8-GPU급 작업이라는 뜻이며, 보도에서 검증된 구성은 BF16, TP=8 한 가지뿐이다. 카드 수를 줄이려면 NVFP4나 MXFP4 체크포인트에 기대야 하는데, 두 버전은 각각 Blackwell(B200/B300)과 MI350X/MI355X에 묶여 있다. H100/H200이나 MI300을 보유한 팀에 대해 보도는 해당 경로를 제시하지 않는다. 이는 컨테이너 하나 띄우는 선택지가 아니라 '자원이 있으면 자체 보유할 수 있는' 선택지에 가깝다. 1M 컨텍스트는 특히 그렇다. prefill 시간과 VRAM 점유는 긴 요청 기준으로 따로 측정해야 하며, 짧은 프롬프트의 처리량으로 외삽해서는 안 된다. 인터페이스 형태는 마이그레이션 비용을 낮춘다. SGLang 서버는 OpenAI 호환 인터페이스를 노출하므로 기존 클라이언트와 프롬프트 오케스트레이션 계층 대부분은 그대로 연결할 수 있다. reasoning_effort는 사고 예산을 요청 파라미터로 만든다. 다만 보도는 그 값의 범위, 기본값, 출력 토큰과의 대응 관계를 밝히지 않았으므로 자체 게이트웨이에서 먼저 확인해야 한다. 그렇지 않으면 기본 단계에 따라 온라인 지연이 흔들린다. 라이선스는 두 가지를 구분해야 한다. 보도에 따르면 공개된 가중치는 MIT를 사용하며 이는 '가중치만 공개'보다 관대하다. 그러나 같은 보도의 비교표에서 베이스인 GLM-5.3은 별도의 GLM-5.3 라이선스로 표기돼 있다. 사용자 정의 라이선스가 적용된 베이스를 후속 학습한 모델을 파생 측이 MIT로 재배포할 수 있는지는 라이선스 원문과 모델 카드를 직접 읽어야 판단할 수 있으며, '가중치를 내려받을 수 있다'는 사실에서 추론할 수 없다. 데이터셋과 학습 레시피는 공개되지 않았고, 팀이 말하는 재현성과 검토 가능성은 현재 가중치 계층만 포괄한다. 실험실 기록과 발견 궤적은 공개 범위 밖이다. 능력 프로파일에는 비대칭이 하나 있다. 보도 스스로 모델이 NMR 구조 해석에서 GPT-6-Astra에 3.33%포인트 뒤진다고 인정하는데, 이는 내부 연구 과제에서 경쟁자와 비교한 한 항목이다. 같은 보도에는 1H NMR 스펙트럼으로 7개 후보 모노포르밀화 생성물의 순위를 매기는 데모도 따로 있다. 둘은 다른 과제다. 전자는 보도가 지목한 약점이고, 후자는 데모일 뿐이다. 이 약점이 당신의 업무에 걸리는지는 해석형 과제가 요청에서 차지하는 비중에 달려 있으며, 티켓에 붙은 데모 개수로 대신할 수 없다. 방법론적 세부도 하나 눈여겨볼 만하다. 실험 계획 항목에서 두 경쟁자는 거부율이 절반을 넘어 제외됐다. 이는 비교가 모델이 답하려는 요청에서만 이뤄졌다는 뜻이다. 온라인 프롬프트가 경계가 모호하거나 민감한 정보를 포함한다면, 거부율을 정확도와 함께 평가표에 올려야 한다. 그렇지 않으면 더 정확한 모델이 아니라 더 잘 받아주는 모델을 고를 수 있다.

연동 및 평가 제안

다음은 보도에 기반한 조건부 분석이며, 검증된 사실이 아니다. 결정 1: 정밀도 버전을 BF16으로 할지 FP4로 할지. 보도가 제시하는 변화는 같은 모델에 세 가지 추론 경로가 있다는 것이다. 시험된 BF16(8-GPU, TP=8), B200/B300용 NVFP4, MI350X/MI355X용 MXFP4다. 해야 할 일은 '새 포맷이 더 빠르다'는 이유로 FP4를 바로 고르지 않고, 검증이 필요한 대체품으로 취급하는 것이다. 발동 조건은 우선 가속기 세대다. 해당 하드웨어에서만 FP4 체크포인트가 있고 나머지 장비는 BF16으로 돌아가야 한다. 다음은 BF16이 VRAM에 들어가는지 여부다. 측정 가능한 판단 기준은 자체 제작한 문제 묶음(예: 스펙트럼 생성물 순위 세트, 정방향 반응 예측 세트)을 BF16과 FP4로 각각 돌려 top-1 일치율과 단일 요청 출력 지연을 비교하는 것이다. 일치율 하락이 업무 임계값을 넘고 BF16이 돌아간다면 BF16에 남는다. 결정 2: 전면 교체인지 과제별 분기인지. 보도의 변화 지점은 Hydrogen-1.0이 GLM-5.3 위에서 과학 방향 후속 학습을 했다는 것이고, 보도는 베이스 GLM-5.3의 비중을 코딩과 에이전트로 서술한다. 해야 할 일은 한 모델을 다른 모델로 바꾸는 것이 아니라 요청 유형별로 라우팅하는 것이다. 화학·재료·생명과학의 추론과 실험 계획은 Hydrogen-1.0으로, 일반 코딩과 도구 오케스트레이션은 베이스나 다른 모델로 보낸다. 전제는 두 트래픽을 분리해 통계 낼 만큼 요청량이 있어야 한다는 것이며, 그렇지 않으면 라우팅은 운영면만 늘린다. 판단 기준은 과제 범주별로 홀드아웃 세트를 하나씩 두고 범주별 통과율과 성공 과제당 실질 비용을 기록하는 것이다. 과학 과제의 향상이 배포 한 세트를 더 유지하는 비용을 덮을 때만 분기한다. 결정 3: reasoning_effort 기본 단계. 보도는 서버가 이 설정을 노출한다고 확인하면서, GPT-6-Astra와의 비교가 최대 사고 모드에서 이뤄졌다고 밝힌다. 해야 할 일은 경쟁자의 단계 설정을 그대로 옮기지 않고 직접 곡선을 훑는 것이다. 전제는 요청별 출력 토큰과 종단 간 지연을 기록할 수 있어야 한다는 것이다. 판단 기준은 정확도 대 출력 토큰 곡선이며, 한계 이득이 뚜렷하게 평평해지는 변곡점을 기본값으로 삼고 지연에 민감한 온라인 인터페이스는 낮은 단계를 따로 둔다. 딸린 평가 절차는 보도가 스스로 밝힌 강약점 순으로 배열할 수 있다. 먼저 자체 데이터에서 NMR 구조 해석이라는 약점을 재현해 오류 유형이 보도가 말한 뒤처짐 방향과 일치하는지 본다. 다음으로 더 큰 갭을 여러 라운드에 걸쳐 추구하는 반복 최적화 같은 주장된 강점을 재현해 5라운드 수렴 추세가 보도 수치의 흐름에 가까운지 확인한다. 마지막으로 거부율과 형식 준수율을 집계한다. 보도에서 두 경쟁자가 바로 거부율로 걸러졌기 때문이다.

제한과 확인할 사항

Hydrogen-1.0 이 버전은 현재 KimiSeek 모델 카탈로그에 없으며, 이 사이트는 해당 모델을 나열하지도 호출 진입점을 제공하지도 않는다. 보도의 가중치 다운로드 주소와 OpenAI 호환 인터페이스는 모두 벤더 측 자체 배포를 가리키며, 관리형 가용성·가격·속도 제한은 Deep Principle 또는 실제 호스팅 주체를 기준으로 확인해야 한다. 이 사이트 카탈로그의 GLM-5.3은 이 모델의 베이스이며 둘은 같은 모델이 아니다. 보도의 벤치마크는 모두 Deep Principle 자체 평가이며, FrontierScience-Research와 내부 과제 평가의 제3자 재현 여부는 보도에 언급되지 않았다. GPT-6-Astra의 33.3%는 Deep Principle 수치를 인용한 것이고, GPQA-Diamond의 93.0%는 창업자 트윗 스레드에서 나왔으며, 'GLM-5.3보다 우수하고 Kimi-K3와 대략 동등하다'는 주장은 보도 표의 해당 수치로 뒷받침되지 않는다. 데이터셋과 학습 레시피는 공개되지 않았고, MIT 라이선스는 보도에 따르면 공개된 가중치만 포괄하며 베이스는 비교표에서 다른 라이선스를 쓴다. 파생 가중치를 MIT로 재배포할 수 있는지는 라이선스 파일을 직접 확인해야 한다. 네 가지 데모는 흐름이 돌아간다는 것만 보여줄 뿐 정확도나 안전성 검증이 아니다. 보도는 이 모델의 API 가격이나 관리형 서비스를 밝히지 않았으며, 이후 호스팅 주체가 나타나면 가격과 쿼터는 그 가격 페이지에서 확인해야 한다.

3분이면 첫 호출까지

가입 후 API 키를 만드세요. 호출 비용은 계정 잔액에서 차감됩니다. 첫 충전 30% 할인. ¥500 충전, 결제 ¥350, 잔액 ¥500 적립. ¥1000 충전, 결제 ¥850, 잔액 ¥1000 적립 최소 충전 금액은 그대로 ¥10이며, 시험용으로 사용할 수 있습니다.

출처와 편집 과정

Deep Principle 发布 Hydrogen-1.0:面向科学发现的 753B 开放权重模型

인용한 출처를 바탕으로 AI가 분석과 번역을 돕고 자동 품질 검사를 수행합니다. 제안은 실측 결과가 아닙니다. 제공 여부와 가격은 현재 카탈로그를 확인하세요.