一款刚开源的科研大模型近期在某社交平台上引发超390万次围观，凭借独特的训练方式和出色的科研能力成为行业焦点。

这个大模型拥有7530亿参数，基于国产开源基座模型深度后训练而来，刚上线就获得了相关领域负责人的转发认可，认为它将国产基座的能力真正推向了前沿科研场景。

它之所以能引爆科研圈，核心在于采用了此前较少有模型系统采用的训练思路——将实验室中平时不会发表的电子实验记录、试错过程甚至失败实验数据，都纳入了模型的训练过程。

公开可获取的科学语料大多是已发表的论文，记录的是走通后的最终结论，而这款模型则把实验室的真实过程数据、实验记录和探索轨迹整理后，融入了后训练环节。在考察博士级陌生难题的权威基准测试中，它的表现超过了对标模型，同时按通用协议开放了完整模型权重，并同步上线了配套的科研平台。

它采用混合专家架构，总参数量753B，支持最高100万上下文长度和12.8万最大输出，足以容纳几万字的实验记录和多步推演内容。

在衡量科学推理能力的权威基准测试中，它的解题通过率从基座模型的24.4%提升到38.3%，高于对标模型；在专项测试中，不同任务的得分表现如下：

• 科学计算任务：得分76.9%，高于对标模型的71.8%；
• 单步正向反应预测：得分90.5%，高于对标模型的85.7%；
• 核磁结构解析：得分26.7%，略低于对标模型。

值得注意的是，跑出这些成绩的同时，它的推理开销和基座模型处于同一水平。

为了直观展示它的实际科研工作表现，相关团队通过配套平台的实际案例，拆解它的执行过程与结果。

任务一：深度调研新课题

针对“成人外伤或手术后已形成的增生性瘢痕，有哪些前沿研究路线值得追踪”这一课题，模型会先拆解研究意图，进行多轮自主检索，构建13组复合检索式，从文献库中筛选出近3000篇相关文献，同时检索临床试验库中的250项在研研究。

生成的报告不仅会对文献分类，还会分析论文局限性，比如针对某临床研究，它会指出量表总分改善不代表疤痕真的平整，且该研究样本包含不同类型瘢痕，结论不能直接照搬。

任务二：处理与核对实验数据

在科研中核对异常数据需要频繁切换不同软件，这款模型的配套平台将原始数据表格、可视化拟合图表、分析汇报文档并排展示，无需切换窗口，方便科研人员直接验算，省去了大量比对功夫。

任务三：推演路线与减少实验试错

在未知化学反应网络推演中，模型会扩展反应路径，展示主路径和副产物分支，清晰呈现各路径能垒高低；在新材料配方测试中，它能快速优化分子能隙，5轮后的最优能隙均值明显超过其他模型，帮助用更少试错逼近目标性能。

关于训练细节，这款模型的训练数据包含四类，除基础文献知识外，还有专家问答对、全周期电子实验记录、智能体探索轨迹，且包含失败实验记录，不过目前还在探索如何让模型更好地学习失败数据。

训练采用监督微调加强化学习的方式，底层基建用分布式训练系统，做了四项工程设计：

• 离线序列打包与因果稀疏注意力：用离线打包完整保留长推理样本，严格限制样本因果边界避免串扰；
• Muon优化器状态动态调度与流式检查点：动态搬移权重和动量状态，控制主机内存，把显存留给长序列激活值；
• 可恢复的强化学习Rollout机制：共享GPU池交替进行生成和训练，保留超长回答前缀，记录策略对数概率用于精确修正；
• 训推边界零梯度漂移校验：通过双向适配器转换权重布局与精度，测量导出与量化漂移。

这款模型按通用协议开放了完整权重，有算力条件的课题组可以本地部署，实现“数据不出实验室”。部署分三步：

第一步，根据硬件选择权重版本

官方在相关社区同步放出了三个版本的仓库，适配不同硬件需求。

第二步，使用SGLang启动推理服务

官方在8卡GPU环境下完成测试，国内服务器需先配置镜像环境变量，再执行启动兼容OpenAI接口的本地服务命令。

第三步，编写最小Python调用脚本

服务启动后，用标准openai库即可发起请求，以下是开启最高科学推理强度的验证脚本：

import os
from openai import OpenAI
指向本地服务或远程API地址
client = OpenAI(

base_url=os.environ.get(“MODEL_BASE_URL”, “http://localhost:8001/v1”),

api_key=os.environ.get(“MODEL_API_KEY”, “not-required”),

)
stream = client.chat.completions.create(

model=“hydrogen-1.0”,

messages=[

{“role”: “system”, “content”: “You are an AI scientist. State assumptions and explain the scientific reasoning behind your answer.”},

{“role”: “user”, “content”: “Derive the period of a simple pendulum under the small-angle approximation, and explain when the approximation breaks down.”},

],

max_tokens=4096,

stream=True,

extra_body={“chat_template_kwargs”: {“reasoning_effort”: “max”}},

)
for chunk in stream:

if chunk.choices and chunk.choices[0].delta.content:

print(chunk.choices[0].delta.content, end=“”, flush=True)

print()

结合官方说明和实测经验，落地使用有四点细节需注意：

• 本地部署别删配置文件：配置文件定义了回答结束符，遗漏会导致模型生成停不下来；
• 量化版本上线前测精度：量化版降低了显存门槛，但高精度计算或谱图解析时可能有偏差，需用标准样本验证；
• 提示词加上挑刺要求：做文献调研时，让模型检查指标和样本适用性，可避免仅罗列摘要；
• 关键结论需人工把关：涉及公式推导、实验安全、临床判断的内容，落地前需核实原始数据。

做科研从来是容错率极低、需要反复试错求证的过程。感兴趣的科研人员可直接体验，配套平台有新用户积分，相关入口如下：

• 配套科研平台：https://mira.deepprinciple.com
• 权重仓库：https://huggingface.co/deep-principle/Hydrogen-1.0
• API入口：https://neuro-spark.ai/dashboard/models?model=hydrogen-1.0