Deep Principle เปิดตัว Hydrogen-1.0 โมเดล AI วิทยาศาสตร์ 753B

Deep Principle บริษัทเทคโนโลยี AI ด้านวัสดุศาสตร์จากหางโจว เปิดตัว Hydrogen-1.0 โมเดลวิทยาศาสตร์แบบ open-weight ที่เน้นการใช้งานในสาขาเคมี วัสดุศาสตร์ และชีววิทยาศาสตร์ โดยโมเดลนี้พัฒนาขึ้นจากการทำ post-training โมเดล GLM-5.3 ของ Z.ai ด้วยข้อมูลเฉพาะทาง บันทึกจากห้องปฏิบัติการ และวิถีการค้นพบของเอเยนต์วิจัย

สำหรับนักพัฒนาและนักวิจัย โมเดลนี้มาพร้อมกับน้ำหนัก (weights) แบบเปิดภายใต้ MIT License โดยมีรายงานผลการทดสอบที่น่าสนใจว่าสามารถทำคะแนนชนะ GPT-6-Astra ในมาตรฐาน FrontierScience-Research ได้สำเร็จ

TL;DR

• ขนาด: พารามิเตอร์รวม 753B (โครงสร้าง MoE ทำงานจริงประมาณ 40B ตามพื้นฐาน GLM-5.3) รองรับ context 1M-token และ output สูงสุด 128K
• การประมวลผล: รองรับ 8 GPUs ด้วย SGLang ผ่านการทดสอบบน NVFP4 สำหรับ NVIDIA B200/B300 และ MXFP4 สำหรับ AMD MI350X/MI355X
• ประสิทธิภาพ: ชนะ GPT-6-Astra ใน FrontierScience-Research และทำคะแนนใกล้เคียงกับ Kimi-K3 ในชุดทดสอบ GPQA-Diamond
• จุดเด่น: ทำคะแนนได้ 38.3% ใน FrontierScience-Research เทียบกับ 33.3% ของ GPT-6-Astra
• จุดด้อย: ยังตามหลัง GPT-6-Astra ในโหมดการคิดขั้นสูงสุดอยู่ 3.33 คะแนน ในด้านการอธิบายโครงสร้าง NMR

Hydrogen-1.0 คืออะไร?

Hydrogen-1.0 คือผู้ช่วยวิจัยทางวิทยาศาสตร์ที่ออกแบบมาเพื่อแก้ปัญหาเฉพาะทาง เช่น การกำหนดกรอบคำถามวิจัย การวางแผนการทดลอง และการวิเคราะห์ผลลัพธ์แบบปลายเปิด ทีมงานระบุว่าแม้โมเดลแบบปิด (proprietary models) จะสร้างผลลัพธ์ที่ดีในช่วงที่ผ่านมา แต่ความสามารถในการค้นพบยังไม่ถูกเปิดเผยสู่สาธารณะเท่าที่ควร Hydrogen-1.0 จึงถูกสร้างมาเพื่อเป็นทางเลือกที่ตรวจสอบและทำซ้ำได้

Hydrogen-1.0 ถูกฝึกฝนอย่างไร?

กระบวนการพัฒนาผสมผสานระหว่าง supervised fine-tuning (SFT) และ reinforcement learning (RL) โดยใช้ข้อมูลจาก 4 แหล่งหลัก ได้แก่ ความรู้เฉพาะทางด้านวิทยาศาสตร์, สถานการณ์วิจัยจากผู้เชี่ยวชาญ, บันทึกแล็บอิเล็กทรอนิกส์จากระบบ Mira และวิถีการค้นพบที่รวมถึงความพยายามที่ล้มเหลวเพื่อให้ AI เรียนรู้จากความผิดพลาด

โครงสร้างพื้นฐานรันบน Megatron และ SGLang รองรับทั้ง NVIDIA CUDA และ AMD ROCm มีการใช้ Muon optimizer เพื่อจัดการทรัพยากรระหว่าง CPU, GPU และดิสก์อย่างมีประสิทธิภาพ นอกจากนี้ยังมีการใช้ layout adapter เพื่อแปลงผลการฝึกให้เป็นน้ำหนักที่พร้อมใช้งานในรูปแบบ BF16 และ FP8 อย่างไรก็ตาม ทีมงานไม่ได้เปิดเผยชุดข้อมูลและสูตรการฝึกฝนฉบับเต็ม

ประสิทธิภาพในการทดสอบเปรียบเทียบ

Deep Principle รายงานว่า Hydrogen-1.0 มีประสิทธิภาพเหนือกว่า GPT-6-Astra ในหลายด้าน โดยเฉพาะงานวิจัยภายในเทียบกับโหมดการคิดสูงสุดของคู่แข่ง พบว่า Hydrogen-1.0 นำหน้าในการคำนวณทางวิทยาศาสตร์ 5.13% และการทำนายปฏิกิริยาเคมี 4.76% แต่ยังเสียเปรียบในด้านการอธิบายโครงสร้าง NMR

ในการทดสอบออกแบบสารประกอบโลหะทรานซิชัน Hydrogen-1.0 สามารถบรรลุค่าเฉลี่ยช่องว่างพลังงาน (HOMO-LUMO gap) ที่ดีที่สุดในบรรดาโมเดลที่นำมาทดสอบ รวมถึงผ่านการทดสอบวางแผนการทดลอง 117 ข้อได้ดีกว่า Kimi-K3 ขณะที่โมเดลอย่าง GPT-6-Astra และ Opus-5.5 มักปฏิเสธคำขอในหัวข้อเหล่านี้

การใช้งานในเวิร์กโฟลว์ห้องแล็บจริง

โมเดลแสดงความสามารถผ่านตัวอย่างจริง เช่น การเขียนโค้ด Python เพื่อจำลองโมเลกุลใน GROMACS การตรวจพบและแก้ไขข้อผิดพลาดของ topology รวมถึงการสร้างเครือข่ายปฏิกิริยาเคมีที่ซับซ้อน นอกจากนี้ยังช่วยเขียนโปรโตคอล JSON สำหรับการทดลองเคมี ซึ่งสามารถตรวจพบข้อผิดพลาดเชิงเทคนิคก่อนการปฏิบัติงานจริงในแล็บได้

วิธีการใช้งาน Hydrogen-1.0

ผู้สนใจสามารถดาวน์โหลดน้ำหนักโมเดลได้จาก Hugging Face และ ModelScope โดยแนะนำให้รันด้วย SGLang บน 8 GPUs พร้อมตั้งค่า tensor parallelism ขนาด 8 สำหรับการใช้งานระดับองค์กร สามารถตั้งค่า reasoning_effort ผ่าน API ที่เข้ากันได้กับมาตรฐาน OpenAI

Hydrogen-1.0 vs GLM-5.3, Kimi K3 และ GPT-6-Astra

สรุปประเด็นสำคัญ

Hydrogen-1.0 คือก้าวสำคัญของวงการ AI วิทยาศาสตร์แบบ Open-source โดยใช้พื้นฐานจาก GLM-5.3 ขนาด 753B ภายใต้ไลเซนส์ MIT ที่ยืดหยุ่น จุดเด่นอยู่ที่การใช้ข้อมูลจริงจากห้องแล็บในการฝึกฝน ทำให้ทำผลงานได้ดีในด้านเคมีและวัสดุศาสตร์ แม้จะยังมีจุดที่ต้องพัฒนาเพิ่มเติมในการอธิบายโครงสร้าง NMR เมื่อเทียบกับโมเดลแบบปิดของ OpenAI