Qué ha lanzado la compañía
Hydrogen-1.0 se presenta como un modelo de 753.000 millones de parámetros con arquitectura *Mixture of Experts* y unos 40.000 millones de parámetros activos. La ficha del lanzamiento también declara una ventana de contexto de 1 millón de tokens y una salida máxima de 128.000 tokens. El modelo se distribuye con licencia MIT, lo que facilita su reutilización y adaptación en entornos de investigación y desarrollo, dentro de los términos habituales de esa licencia.
Deep Principle describe el sistema como un *post-training* sobre GLM-5.3, no como un modelo entrenado desde cero. Según el material publicado, el ajuste incorpora conocimiento de química, materiales y ciencias de la vida, además de escenarios de investigación, registros electrónicos de laboratorio y secuencias de descubrimiento con intentos fallidos incluidos. La compañía no publica, en este lanzamiento, un desglose completo de los datos ni una auditoría externa del proceso.
Qué demuestra en tareas científicas
La compañía acompaña el anuncio con varios ejemplos de uso en un flujo de trabajo de laboratorio. Entre ellos aparecen la generación de código Python para montar una simulación de polietileno y ejecutarla con GROMACS, la detección y corrección de un error de topología, la ampliación de una red de reacciones para una reacción Ireland-Claisen, la interpretación de una señal de RMN de protones para proponer productos monoformilados y la redacción de un protocolo JSON para un estudio de acoplamiento Suzuki con 12 viales. También muestra una comprobación previa a la ejecución en un laboratorio virtual que detecta una aspiración sin punta nueva antes de continuar.
Esos casos sirven para ilustrar capacidades concretas, pero no equivalen por sí solos a una validación independiente en laboratorio húmedo. Lo que queda confirmado es que la empresa enseña esas demostraciones en su lanzamiento; lo que no queda verificado aquí es hasta qué punto el sistema mantiene ese comportamiento fuera de los escenarios seleccionados por la propia compañía.
Qué dice sobre rendimiento y despliegue
Deep Principle afirma que Hydrogen-1.0 obtiene un 38,3% en FrontierScience-Research y que supera al 33,3% que atribuye a GPT-6-Astra en esa misma prueba. También asegura que el modelo iguala aproximadamente a Kimi-K3 en GPQA-Diamond y que supera a GPT-6-Astra en tareas internas de planificación experimental y predicción de reacciones, aunque queda por detrás en una tarea de elucidación estructural por RMN. Son cifras autodeclaradas, así que describen la propuesta de la empresa, pero no sustituyen una verificación independiente.
En despliegue, la compañía dice haber probado inferencia BF16 con SGLang en ocho GPU con paralelismo tensorial 8. También menciona variantes en NVFP4 para NVIDIA B200 y B300, y en MXFP4 para AMD Instinct MI350X y MI355X. Además, ofrece una API compatible con OpenAI y un parámetro `reasoning_effort`, pensado para integrar el modelo en flujos ya existentes.
Por qué importa
Hydrogen-1.0 se suma a una línea cada vez más visible de modelos muy grandes con pesos abiertos que intentan ir más allá del uso generalista y entrar en tareas científicas específicas. La novedad no está solo en el tamaño, sino en la combinación de datos de laboratorio, razonamiento orientado a experimentos y aplicaciones pensadas para química, materiales y biociencias.
Para los equipos que trabajan con ciencia asistida por IA, el lanzamiento también importa porque no se presenta como un simple chatbot. Deep Principle lo plantea como una pieza para encadenar búsqueda, planificación, ejecución y análisis dentro de flujos de descubrimiento, una orientación que encaja con la adopción de modelos en entornos más estructurados que una conversación abierta.
Lo que sigue abierto es si terceros podrán reproducir sus resultados, qué conjuntos de datos exactos han participado en el ajuste y cómo responderá Hydrogen-1.0 cuando salga de las pruebas escogidas por la empresa. Hasta que haya más validación externa, el anuncio debe leerse como una apuesta ambiciosa para ciencia aplicada, no como una prueba cerrada de superioridad general.
