11 月 2 日，一家叫 " 深度原理 "（Deep Principle）的公司发布了一个模型 Hydrogen-1.0，同时开放了权重。它可能是今年最值得关注的国产开源模型之一，因为路线很不一样。

先说基本盘。753B 参数的混合专家架构，78 层，前三层是稠密前馈网络，后面每层 256 个路由专家加 1 个共享专家，每个 token 激活其中 8 个。所以总参数 753B，实际每个 token 的活跃参数约 40B。支持 100 万 token 上下文、12.8 万 token 输出，MIT 协议，Hugging Face 和 ModelScope 都能下载。

基座是智谱的 GLM-5.3，不是从零训练。真正的功夫在 " 后训练 " 上——它把化学、材料科学、生命科学的知识，加上科研人员的反馈、自有实验室的完整记录，以及多轮材料探索的 " 发现轨迹 "，一起喂给了模型。

这里最特别的一点是：失败实验也进了训练数据。

一句 " 实验失败了 " 本身没什么信息量。失败可能是因为假设不成立，也可能是试剂状态、操作顺序、测量误差。如果这些原因混在一起，模型会学到错误的关联。所以有价值的样本必须保留：当时的目标、可用的证据、候选方案、执行条件、实际观察，以及后来怎么改的。只有这样，模型才可能学到 " 什么条件下该放弃一条路线 "" 什么异常需要重做测量 "。

效果上，官方公布了两组数字。在 FrontierScience-Research 上，Hydrogen-1.0 解题成功率 38.3%，GPT-6-Astra 是 33.3%，比基座 GLM-5.3 提升了 13.9 个百分点。在 GPQA-Diamond 上准确率 93.0%，接近 Kimi-K3 的 93.5%。材料搜索任务里，第五轮找到的 HOMO-LUMO 能隙最优均值达到 4.318 eV，GPT-6-Astra 和 Kimi-K3 分别是 3.689 和 3.353 eV。

必须说清楚：以上分数全部是公司自述评测，没有第三方独立复核。而且部分对比模型因为拒答率过高被排除，对照集本身存在选择偏差。看方向可以，别当成定论。

它真正值得看的是三件事。第一，开放权重让复现成为可能，这是闭源科研助手给不了的。第二，训练数据里包含失败记录，这个思路如果被验证，会改变 " 科学模型该怎么训 " 的范式。第三，它把模型接到了实际工具上——写 GROMACS 分子动力学脚本、扩展反应网络、解析核磁共振谱图、在虚拟环境里预演实验步骤，还能拦住 " 吸液前没换枪头 " 这类操作错误。

限制也很明确。完整的训练数据和配方没有随权重公开；753B 的 BF16 权重粗算约 1.5TB，普通实验室跑不动，得用量化版或者 API；量化版和全精度版的输出也可能不一致，官方自己的文档里就记录了高并发下缓存驱逐、回答质量下降的情况。

所以这条新闻的价值不在 " 又开源了一个大模型 "，而在于它提出了一个新问题：科学模型应该只学论文里写出来的结论，还是也该学实验是怎么失败的？

科学发现的本质，本来就不是一路正确，而是在大量失败里找到那条能走通的路。让 AI 学会这件事，可能比让它多背几道题更接近 " 科研 "。

你觉得让 AI 学 " 失败 " 这条路走得通吗？评论区聊聊。

（本文数据来自 Deep Principle 官方博客及模型卡，分数为公司自述，不构成科研或投资结论。）