开源一个 753B 科学模型，真正的增量不是那 753B：Hydrogen-1.0 的四份配料、三道门槛与一个负 3.33

11 月 2 日，杭州的 AI for Science 公司深度原理（Deep Principle）发布了 Hydrogen-1.0，以 MIT 许可在 Hugging Face 开放权重。媒体标题大多围绕一个数字展开：753B。

这个数字是真的。但把它和底座的规格并排放一下，会看到一件更有意思的事：

六项全同。因为 Hydrogen-1.0 就是在 GLM-5.3 上做 SFT + RL 后训练得到的，官方对此没有含糊。

于是"开源 753B 科学模型"这句话需要重新断句：开源的是一次后训练的完整交付，不是 753B 这个规模本身。 753B 是智谱的底座，深度原理的增量在另外三个地方——数据、训练配方、许可选择。

这个区分不是文字游戏。它直接决定了你拿到权重之后能用它做什么、不能做什么、以及该信哪几个数。下面按"四份配料 + 三道门槛"拆开。

一、四份配料：它到底交了什么

把这次发布当成一份配方表，成分只有四样。

第三列是全文的关键。四份配料里，只有数据这一份是别人拿不到的。

这并非虚言。深度原理从 2024 年起在杭州建了一套自主实验室，公司称之为"AI Materials Factory"，定位 L4 级——实验从设计到执行到数据回传基本不需要人工介入。CEO 贾皓钧在 10 月末的公开材料里给过一个闭环描述：客户给目标，模型生成候选，实验室合成并测试，交回真实化合物和真实数据，这批数据再训练模型，下一个项目更快。

沿这条线还公开过几个数字：一个单步反应的选择性在三个月内从 51.82% 提到 85%；一个精细化工项目的生产收率从 72% 提到接近 90%；在两周内筛出前 20 个候选分子，活性成分保留率整体提高 20%。

这些数字的意义不在大小，在于它们解释了 Hydrogen-1.0 的训练数据从哪来。绝大多数开源模型的后训练数据是从公开语料、合成数据、人类标注里凑的；这一份多了第四种来源——自己实验室连续产出、带完整过程记录的真实验数据。

所以正确的理解是：权重开源了，能力的来源没有开源。 你下载到的是结果，不是方法。这一点会在第三道门槛里变成具体的使用限制。

为什么这家公司会有别人拿不到的数据

这一点值得追问，因为"我有独家数据"是所有垂直模型都会说的话。

深度原理成立于 2024 年，创始人是两位 MIT 博士：贾皓钧（CEO，此前在陶氏化学全球研发总部做催化剂配方与反应路径预测）和段辰儒（CTO，此前在微软为多家化学材料公司部署计算化学方案）。公司先在波士顿起步，随后回国落地杭州/深圳，累计完成七轮融资、总额超 1 亿美元，2025 年入选世界经济论坛技术先锋。

真正关键的不是融资，是它在杭州建的那套实体实验室。公司称之为"AI Materials Factory"，对外定位 L4 级自主实验——从实验设计、设备操作到数据采集基本不需要人工介入，形成"干实验预测、湿实验验证、结果自动回流"的闭环。

配套的模型栈也公开过一部分：MPA 模型在 40 个真实实验性质预测任务中 35 个达到 SOTA，最接近真实研发条件的测试下平均预测误差降低 14.6%；OA-ReactDiff 与 React-OT 把化学反应过渡态生成从数天到数月压到约 0.4 秒；LLM-EO 工作流用大模型做过渡金属配合物的生成式设计，成果以封面论文发在 JACS。早期扩散生成模型的工作上过 Nature Computational Science 与 Nature Machine Intelligence 封面。

这条链条解释了一件事：它的数据不是买来的，是自己每天实验产出的。 这类数据有过程记录（实验设计、参数、观察、失败），有真实的物理验证，也有连续的迭代轨迹——公开语料里没有这种结构。

这也是为什么"复现这个模型"比"复现一个普通开源模型"难得多。你可以拿到同样的底座 GLM-5.3，可以照着 SFT + RL 的框架搭流程，但你造不出第二个跑了两年、每天产出带完整记录的实验室。数据这一层的门槛，不在算法，在重资产。

反过来说，如果哪天这家公司公开训练数据的一部分，那才是真正值得关注的发布——开源权重的边际价值，远低于开源数据。

二、第一道门槛：下载

门槛最低的一关，但有两个坑。

体积。 BF16 权重约 1.5 TB。按 100 MB/s 的家宽算，纯下载要 4 小时以上；按千兆下行满速算，3 小时出头。加上解压和校验的临时空间，得准备 3 TB 以上空闲磁盘。

【推算】753B × 2 bytes = 1506 GB，与官方"约 1.5 TB"口径一致。这个数能对上，说明 753B 是含嵌入层在内的总参数口径。

许可。 这里有个需要自己核对的地方，用中性方式说清楚：

• Hydrogen-1.0 以 MIT 许可发布，权重在 Hugging Face 上需要先同意条款再下载。
• 它的底座 GLM-5.3 采用自定义许可，不是 MIT。智谱同期以 MIT 发布的只有 GLM-5.3-Flash。
• 基于非 MIT 底座做后训练、再以 MIT 分发衍生权重，是一种需要看具体条款的操作。

底座许可是否允许衍生权重改用更宽松的许可再分发，条款在智谱那份自定义许可里写着，本文不做判断。如果你要把这份权重嵌进商业产品，这是第一件要确认的事，比显存够不够重要得多。

这一条属于需要自行核实的合规项，不是技术问题。

三、第二道门槛：跑起来

这是最容易误判的一关，因为 MoE 有一个反直觉的性质：激活参数省的是算力，不是显存。

40B 激活意味着每个 token 的计算量大致相当于一个 40B 稠密模型；但 753B 的全部专家权重必须同时在显存里待着。所以一个"推理速度接近 40B 模型"的东西，硬件要求是 700B 级的。

GLM-5.3 的部署账可以直接沿用，因为底座同形。按公开的三档精度算：

几个可以直接拿来判断的结论：

其一，8×H100 跑 FP8 装不下。 640 GB 对 744 GB，差一百来 GB，正好卡在"差一点"的位置。这条最有迷惑性，因为 8×H100 在国内是最常见的节点配置之一。想在这类节点上跑，只能走 INT4。

其二，BF16 权重不是给推理用的。 1.5 TB 的检查点面向微调和研究，官方口径也是如此。要做推理，FP8 才是目标精度。

其三，1M 上下文会把"余量"吃掉。 8×H200 的 384 GB 看着不少，但长上下文场景下 KV cache 的增长很快。

这条值得算一下，因为它是"能装下权重"和"能提供服务"之间的真实鸿沟。

【推算】KV cache 的每 token 占用按 2 × 层数 × KV 头数 × head_dim × 每元素字节 估算。GLM-5.3 的层数与 KV 头数未披露，按 700B 级 MoE 的常见配置取 64 层、8 个 KV 头、head_dim 128：

假设一变，结果差四倍。所以这张表不能当规格用，只能说明一件事：1M 上下文不是"接上就有"的能力，它是显存预算问题。 真要对外提供长上下文服务，8×B200 的 1536 GB 是底线配置；8×H200 的余量只够支撑极低并发的长请求，短请求高并发另说。

这也解释了为什么官方测试用的 8 卡配置大概率不是 BF16。

【推断】官方提到"用 SGLang 8 卡测试"。8 卡跑 753B 不可能是 BF16——就算是 8×B300 的 2.3 TB，装完 1.5 TB 权重也只剩 0.8 TB，留给长上下文 KV 会非常紧张。所以那次测试大概率用的是 FP8 或 NVFP4 版本。官方没写具体精度，这里只是从显存约束反推。

量化版官方给了两条路径：NVFP4 面向 B200/B300，MXFP4 面向 MI350X/MI355X。前者是英伟达 Blackwell，后者是 AMD 的平台。这意味着它在非英伟达的高端卡上也有官方量化通道，对受限环境是个实用信息——但本文没有 MI355X 的实测数据，不评价实际吞吐。

四、第三道门槛：信不信

过了前两关，剩下最难的一关。

官方公布的核心战绩是一句话：在 FrontierScience-Research 上拿到 38.3%，高于 GPT-6 Astra 的 33.3%。

先看绝对值。38.3% 意味着这个基准上六成以上的题没做对。对"科研大模型"这个定位来说，这是能力的真实水位，不是饱和的榜单。所以它比一个 95 分的成绩更值得看——高分区间的榜单已经没有区分度，38% 这个区间还有。

再看差值。5.0 个百分点。这个差距能不能站住，取决于一件事：基准有多少题。

官方没有披露 FrontierScience-Research 的题目数、评分方式、是否多次采样取均值、置信区间，也没有独立第三方复现。

【推算】做个敏感度分析。若该基准在 200 题量级（多数科研推理基准的常见规模），两模型正确率分别约 0.383 与 0.333，单组标准误约 3.4 个百分点。5.0pp 的差距大致是 1.5 个标准误——在统计上不足以下"显著领先"的结论。

如果基准只有 100 题，标准误会升到约 4.8pp，5pp 的差距基本落在噪声范围内。如果基准有 500 题以上，5pp 才比较稳。

这一条要说明白：不是说成绩有问题，是说这个差距的量级需要题目数才能判断。题目数未披露，因此"超过"这个结论目前只能当作厂商自测的初步结论。

同样的口径问题出现在 GPQA Diamond 的 93.0% 上。

GPQA Diamond 是老基准，题目约 198 道，四选一，随机基线 25%。前沿模型在这个榜上普遍在 85%–90% 区间，93.0% 属于高位。但有两个必须补的限定：

1. 这个榜已经接近饱和。 在区分度很低的高位区间，"与 Kimi K3 大致持平"这种表述的实际信息量很小——大家都挤在顶部。
2. 93.0% 是在什么思考档位下拿的？ GLM-5.3 是强制思考模式，三档推理强度（low / high / max）默认走 max，思考不可关闭。官方没说明对标对象用的是哪一档。不同档位的分数不可直接比较，这是 MoE 加推理性模型时代最常见的口径错位。

五、那个负 3.33：被放在括号里的失败项

官方公布的内部场景对比里有一张三项表。媒体转述时通常只提前两项：

第三行是这个发布里最有价值的一条信息，因为它标出了一个明确的短板。

NMR 结构解析——从核磁谱图反推分子结构——是化学实验室里最高频的确证手段之一，也是 AI for Science 最刚需的场景：合成做完，先打谱，再解谱。这个环节落后 3.33 个百分点，意味着在这条最常用的链路上，它不如闭源前沿模型。

为什么值得单独拎出来：

其一，它证明了这份对比表不是单向挑选的结果。 三项里两项正、一项负，说明评测至少覆盖了模型不擅长的部分。全正的表反而更可疑。

其二，它给了选型一个硬判据。 如果你的场景是"有谱图、要出结构"，那么 Hydrogen-1.0 不是首选；如果你的场景是"给定反应，预测产物"或"做科学计算"，它才有优势。

其三，负项的位置说明了一件工程事实： 后训练能把强项推得更高，但补不平所有短板。基于通用底座加领域数据做 SFT+RL，效果的分布是不均匀的——高频、有大量训练数据覆盖的任务提升明显，需要精细结构推理的任务可能反而被通用能力的分布偏移带偏。

这个现象在其他垂直模型上反复出现过，不是这一家的问题。看到垂直模型宣传时，先找那个负项，比看正项有用。

六、4.318 eV 该怎么读

官方博客里还有一个更吸引眼球的数：在过渡金属配合物的材料发现任务上，五轮搜索后平均最佳 HOMO-LUMO 带隙达到 4.318 eV，GPT-6 Astra 是 3.689 eV，Kimi K3 是 3.353 eV。

这个数不能直接当"更强"读，原因有三层。

第一层：带隙不是单调指标。 HOMO-LUMO 带隙大，意味着分子更稳定、更难被激发。这对某些目标是好事——比如耐氧化、耐光的稳定材料，或者需要宽带隙的透明导体、深紫外的材料。但对另一些目标是明确的坏事：光伏吸收层的最优带隙在 1.1–1.4 eV 附近（Shockley-Queisser 极限），发光材料也要求带隙与目标波长匹配。4.318 eV 意味着吸收边落在深紫外，做可见光器件基本用不上。

所以"平均最佳带隙 4.318 eV"这句话里的"最佳"，取决于一个官方没有公开的东西：评分函数是什么。 如果评分函数把"带隙大"当作适应度，那搜索自然会往大带隙收敛，这不代表找到的材料有用。

第二层：这是搜索任务的结果，不是模型能力的结果。 "五轮搜索后平均最佳"描述的是一个闭环流程——模型生成候选、打分、迭代。这个数字同时由三件事决定：模型的化学直觉、搜索策略、评分函数。三者混在一起报一个数，无法归因到模型本身。

对比之下，GPQA 那种静态基准至少排除了搜索策略这个变量。

第三层：搜索空间与筛选条件未披露。 过渡金属配合物的化学空间极大（金属中心 × 配体 × 配位构型 × 自旋态），不同的搜索空间边界会得到完全不同的"最佳值"。

结论：这组数字可以作为"这套闭环能跑通、能产出候选"的证据，不能作为"化学能力超过闭源前沿"的证据。两者的差别，相当于"我的筛子能筛出大颗粒"和"我的筛子更懂颗粒"的差别。

七、自洽性验算：五道账对不对得上

按惯例，先把能算的算一遍。对得上，说明规格表内部自洽；对不上，那个数字就得打问号。

五道账全部对得上。这说明规格表不是拼出来的——至少体积、精度、硬件这三条链是自洽的。

唯一对不上的是参数口径本身。GLM-5.3 的公开资料里同时存在 753B 和 744B 两种说法：前者是含嵌入在内的总参数，后者是部分资料列的"底座"参数。这个差异不影响任何结论，但引用时要注意别把两个数混着用。

还有一条算不出来：训练成本。 后训练用了多少 token、多少卡时、多长时间，全部未披露。这对判断"这条路别人能不能复制"很关键——如果后训练只花了几十张卡几周，那这个门槛比想象低；如果花了上千卡月，那它就不是一般团队能跟的。这一条属于未披露，也是本次发布最关键的信息缺口。

八、三类人该怎么用

按实际需求分三条路，成本差着两个数量级。

第三行值得多说两句。微调不是"接着训就行"。 官方只说了 SFT + RL 两阶段，没给数据配比、序列长度、学习率、RL 的奖励设计。你拿到的权重是一个终点，不是一个可延续的过程。想在此基础上做自己的领域适配，实际是从"一个有科学先验的 753B 底座"起步，而不是从"深度原理的训练状态"起步。

这不算缺点——开源权重的行业惯例就是只交终点。但如果你的预期是"站在别人的训练成果上继续爬"，预期需要调整。

反过来说，这份权重真正的高价值用法可能是另一种：当教师模型。 用它的输出给自家小模型做蒸馏，把 753B 的领域行为压进一个能单卡跑的规模。这条路绕开了全部三道门槛里的后两道——既不用凑 8 卡节点，也不用担心底座许可传染（蒸馏产物通常不构成权重衍生，但具体仍要看条款）。

无论走哪条路，先跑这四个测试

厂商的榜单只在它自己的题上有效。拿到权重之后，用下面四组对照把结论落到自己的场景上。前两组几乎零成本，后两组需要一点准备。

第一组最容易被跳过，但它最省钱。很多团队买垂直模型是为了"更懂领域"，实际上底座加一段好的提示词就能达到八成效果——尤其在题面清晰、不需要复杂推理的场景下。

第二组直接对应本文第五节。你如果在化学实验室环境里用，这一项的权重应该高于总分。

第三组是垂直模型最常翻车的地方。领域数据做 SFT 会强化特定输出风格，容易把通用的结构化能力挤掉。这一项一旦退化，下游解析全部要改。

第四组对应第一道与第二道门槛的交界处。标称 1M 不等于任意位置都有效，公开评测只做到 300K–400K，中间的落差要自己量。

四组跑完，你对这份权重的判断会比任何榜单都准，成本大概是一天时间加上几十美元 API 费用。

九、三个必须先问的问题

把这篇的判据压缩成三句话。以后遇到任何"XX 机构开源 XX 亿参数垂直大模型"，先问这三个：

第一问：那个参数量是谁的？ 查底座的规格表。总参数、激活参数、上下文长度、最大输出四项全同，就说明这是后训练交付，不是从零训练。这不降低价值，但决定了你该找的是"它的数据有什么特别"，而不是"它怎么训出这么大"。

第二问：那个提升量的分母是什么？ 5 个百分点在 200 题的基准上是 1.5 个标准误，在 500 题以上才稳。题目数不披露，"超过"就只能算初步结论。同理，思考档位不统一，跨模型分数不可比。

第三问：那个负数在哪？ 三项对比里两项正一项负，说明是老实表；全是正的，说明表被挑过。而负项往往比正项更有用——它直接告诉你这个模型不能干什么。

三问做完，一份发布材料的信息密度会提高一个量级，而且不需要任何额外数据。

十、关键要点

1. 753B 是底座的规模，不是这次的增量。 Hydrogen-1.0 基于 GLM-5.3，总参数 753B、激活 40B、1M 上下文、BF16 约 1.5 TB，六项规格与底座完全一致。真正的增量是数据、后训练配方与许可选择。

2. 四份配料里只有一份别人拿不到。 底座公开可下载，训练流程可描述，许可是标准文本；唯独"公司自主实验室的完整实验记录 + 材料发现轨迹"不可复现。权重开源了，能力来源没有。

3. 下载门槛低，但要备 3 TB 空间。 BF16 权重 1506 GB，按千兆下行算 3 小时出头，解压校验需要额外临时空间。

4. 8×H100 跑 FP8 装不下，差 104 GB。 这是最容易踩的坑，因为它是国内最常见的节点配置之一。要在这类节点上跑只能走 INT4（约 372–377 GB）。8×H200 可行但只剩约 384 GB 给 KV，开长上下文要换 8×B200。

5. MoE 的关键性质：激活参数省算力不省显存。 40B 激活让单 token 计算量接近 40B 稠密模型，但 753B 全部专家必须常驻显存。所以"跑得快"和"装得下"是两个独立问题。

6. 38.3% 对 33.3%，5pp 的差距需要题目数才能判断。 按 200 题量级估算，单组标准误约 3.4pp，差距约 1.5 个标准误，统计上不足以下"显著领先"结论。题目数、评分方式、是否多次采样、独立复现，全部未披露。

7. GPQA Diamond 93.0% 的信息量比看上去小。 该榜约 198 题四选一，前沿模型已挤在 85%–90%，区分度低。另外 GLM-5.3 是强制思考模式、默认最高档，跨模型比较时档位不统一就不可比。

8. 唯一的负项是 NMR 结构解析 −3.33pp，而且它最有用。 谱图反推结构是化学实验室最高频的链路，这个短板直接决定选型：要"有谱图出结构"别选它，要"给定反应预测产物"才有优势。

9. 4.318 eV 的带隙不能当"更强"读。 带隙不是单调指标，光伏要 1.1–1.4 eV，4.318 eV 意味着吸收边在深紫外。"最佳"取决于未公开的评分函数，而且这是搜索闭环的结果，无法归因到模型能力本身。

10. 最大的信息缺口是训练成本。 后训练 token 量、卡时、时长均未披露。这条决定了这条路别人能不能复制，也是本次发布最该被追问的一项。