Hydrogen-1.0, IA científica de 753 bi de parâmetros é lançada aberta

Inteligência Artificial

Deep Principle apresenta modelo aberto que promete revolucionar pesquisas científicas em diversas áreas.

Leia também: Marvell compra Lumentum por US$ 115 bi e domina chips ópticos

A Deep Principle, empresa de inteligência artificial para materiais sediada em Hangzhou, na China, lançou nesta semana o Hydrogen-1.0, um modelo de IA open-weight com 753 bilhões de parâmetros voltado para pesquisa científica, com foco em formular hipóteses, planejar experimentos, analisar resultados e apoiar descobertas abertas em química, ciência dos materiais e ciências da vida.

Modelo nasce como alternativa aberta a sistemas proprietários

O Hydrogen-1.0 foi construído a partir do GLM-5.3, da Z.ai, pós-treinado com dados específicos de domínio, registros de laboratório e trajetórias de descoberta geradas por agentes. A Deep Principle apresenta o sistema como resposta direta ao avanço recente de modelos proprietários em ciência por IA, cujos resultados não podem ser plenamente inspecionados nem reproduzidos pela comunidade.

“Hydrogen-1.0 é uma tentativa de alternativa reproduzível e inspecionável aos modelos proprietários que não são abertos”, afirma a equipe da Deep Principle. Os pesos do modelo são distribuídos sob licença MIT e já estão disponíveis em plataformas como Hugging Face e ModelScope, o que permite que laboratórios, universidades e empresas incorporem e adaptem o sistema em suas próprias infraestruturas.

Segundo um dos fundadores, “o modelo alcançou 93,0% no GPQA-Diamond, superando GLM-5.3 e igualando Kimi-K3”, em referência a um dos principais benchmarks de raciocínio avançado em questões científicas. Em outro teste interno, voltado ao design de complexos metálicos de transição, “na tarefa de design de complexos metálicos, Hydrogen-1.0 atingiu gap HOMO-LUMO médio de 4,318 eV após 5 rodadas, superando concorrentes”, relata a equipe.

Como o Hydrogen-1.0 foi treinado e o que ele faz

O pipeline de desenvolvimento combina fine-tuning supervisionado (SFT) com aprendizado por reforço, alimentado por quatro grandes fontes de dados, que incluem desde bases de problemas científicos até registros detalhados de experimentos e sessões de agentes de IA explorando rotas de descoberta.

Na prática, o modelo é descrito como um “assistente de pesquisa científica” capaz de estruturar perguntas, sugerir planos experimentais, interpretar resultados numéricos ou espectroscópicos e gerar protocolos detalhados em formatos estruturados, como JSON. Demonstrações internas mostram o Hydrogen-1.0 escrevendo código Python para montar e simular polímeros no pacote GROMACS, detectando e corrigindo erros de topologia, expandindo redes de reações orgânicas, analisando espectros de RMN de hidrogênio (1H NMR) e desenhando estudos de reatividade com múltiplos frascos.

Em um conjunto interno de 117 questões de planejamento experimental, o Hydrogen-1.0 superou o desempenho do modelo Kimi-K3. Nos mesmos testes, os modelos GPT-6-Astra e Opus-5.5 acabaram excluídos da comparação por recusarem mais de 50% das solicitações, o que, na visão da Deep Principle, reforça o foco do novo sistema em apoiar efetivamente tarefas práticas de laboratório.

Infraestrutura: Megatron, SGLang e suporte a múltiplas GPUs

Para treinar e servir o Hydrogen-1.0, a empresa adotou uma infraestrutura baseada em Megatron e SGLang, compatível tanto com o ecossistema NVIDIA CUDA quanto com AMD ROCm. O modelo utiliza atenção causal esparsa dinâmica para lidar com contextos longos e faz uso intensivo de paralelismo de contexto entre diferentes partições.

Em produção, a Deep Principle testou a inferência em precisão BF16 com o SGLang rodando em um cluster de 8 GPUs, com paralelismo tensorial de 8. Os checkpoints são convertidos para formatos de baixa precisão, como FP8 em blocos de 128×128, e também para formatos otimizados NVFP4, voltados a GPUs NVIDIA B200 e B300, e MXFP4, para aceleradores AMD Instinct MI350X e MI355X, reduzindo custo e latência de inferência.

O servidor expõe uma API compatível com a interface da OpenAI, incluindo um parâmetro de “esforço de raciocínio” que permite calibrar a profundidade de pensamento do modelo caso a caso — de respostas mais rápidas e superficiais a análises mais extensas e detalhadas, úteis para problemas científicos complexos.

Entenda o contexto

Nos últimos meses, modelos de IA fechados passaram a assinar descobertas importantes em ciência dos materiais, desenho de moléculas e otimização de processos químicos. Esses resultados, porém, em grande parte dependem de sistemas cujo código, pesos e dados de treinamento permanecem sob sigilo, o que limita a reprodutibilidade de experimentos e a auditoria independente de vieses ou erros.

Ao optar por um modelo open-weight sob licença permissiva, a Deep Principle tenta ocupar um espaço estratégico: entregar desempenho competitivo em benchmarks públicos e tarefas especializadas, sem abrir mão da transparência. Embora os datasets completos e as “receitas” de treinamento ainda não tenham sido liberados, a abertura dos pesos já permite que grupos externos rodem, validem e fine-tunem o Hydrogen-1.0 em cenários específicos.

A expectativa é que o lançamento estimule uma comunidade global de usuários em torno do modelo, com contribuições que vão desde ajustes para subáreas — como catálise heterogênea, desenho de fármacos ou eletroquímica — até integrações com plataformas de laboratório autônomo, simulações de alto desempenho e pipelines de descoberta de materiais.

Impacto para laboratórios, indústria e concorrentes

Ao oferecer um modelo de 753 bilhões de parâmetros com pesos abertos e desempenho forte em testes públicos e internos, o Hydrogen-1.0 pode mudar a dinâmica do mercado de IA para ciência. Laboratórios acadêmicos e startups têm, agora, a opção de adotar um sistema de ponta sem ficar atrelados a APIs proprietárias caras e pouco transparentes, reduzindo custos e ampliando o controle sobre dados e experimentos.

Setores como farmacêutico, de materiais avançados e de biotecnologia, que dependem de simulações intensivas e ciclos longos de experimentação, aparecem entre os principais beneficiados. O modelo promete acelerar etapas de formulação de hipóteses, triagem de candidatos, análise de resultados e desenho iterativo de estudos, potencialmente encurtando o tempo entre uma ideia e a validação em laboratório.

Para fornecedores de modelos fechados, a chegada de um concorrente open-weight com licença permissiva e bom desempenho adiciona pressão para maior transparência e possibilidade de customização. Ao mesmo tempo, especialistas já apontam que a abertura de sistemas tão poderosos tende a reaquecer debates regulatórios e éticos sobre o uso de IA em pesquisas sensíveis, como desenvolvimento de substâncias de alto risco.

Divulgado em blogs técnicos, redes sociais e comunidades especializadas em IA, o Hydrogen-1.0 também ganha visibilidade com o apoio de nomes do ecossistema, como Asif Razzaq, CEO da Marktechpost AI Media Inc., que vem impulsionando a cobertura de lançamentos de modelos avançados para um público amplo de pesquisadores, engenheiros e desenvolvedores.