数字新奇点 · 2026年11月4日

深度原理开源 Hydrogen-1.0、753B 参数、科学推理超 GPT-6 Astra、MIT 许可

开源也要看协议

AI科学模型开源AI for Science

开源也要看协议

2026 年 11 月 2 日，杭州。

一家叫深度原理的公司发布了它的首款通用大模型，名字叫 Hydrogen-1.0。

一个约 7530 亿参数、100 万字上下文的科学模型，权重全部开放，MIT 许可，HuggingFace 和魔搭上都能下载。在厂商公布的 FSR 评测里，它拿到 38.3%，超过了 GPT-6 Astra 的 33.3%。

用人话说：一个中国团队做的"科研专用大脑"，把整个大脑的零件全部拆开、送给你、不要钱，还说随便改随便商用。听起来像天上掉馅饼。但如果你把这篇文章读完，你会发现馅饼底下埋着一个坑——而且这个坑，跟绝大多数想用 AI 的人直接相关。

一句话总结

Hydrogen-1.0 最值得普通人盯住的，不是它跑分超过了谁，而是它同时做了两件事：把权重彻底开源，又给出了一个"MIT 协议"的承诺。这两件事加在一起，意味着大量公司会在未来一年里踩进同一个坑——你以为拿到了可以随便商用的模型，其实你拿到的是一份需要逐字读、逐条问的合同。

一、先看清楚它到底是什么

很多读者一看到"7530 亿参数"就划走了，我们换个说法。

Hydrogen-1.0 是一个专门为"做科研"准备的大模型。它不是一个聊天机器人，它的训练目标里塞进了大量实验室里的真实记录——据多家媒体报道，它的训练数据包含了"完整的实验室记录，包括失败尝试和被修正的假设"。

这意味着什么？意味着它不只是学过"论文上写的正确答案"，还学过"这个方案试了三个月失败了""这个参数从 0.3 调到 0.35 之后结果反而更好"。

用人话说：别人家的科研 AI 是在教你怎么写论文，它家的科研 AI 是把一位资深研究员脑子里那套"踩过坑的直觉"给录进去了。

技术底座方面，Hydrogen-1.0 基于智谱 GLM-5.3 构建，结构是 MoE（混合专家）——753B 总参数、BF16 权重约 1.5TB，100 万 token 上下文、12.8 万 token 输出。

参数 · 数字 · 换成人话

总参数量 · 约 7530 亿（753B MoE） · 顶配大模型级别的体量

权重体积 · BF16 约 1.5TB · 一台笔记本的硬盘根本装不下，得用服务器机柜

上下文 · 100 万 token · 大约一百万字，够塞下几部长篇小说

单次输出 · 12.8 万 token · 一次能给你写出一整本小册子

开放方式 · 权重全开放 · 不是"给你个 API"，是整个模型搬回家

协议 · MIT · 全球最宽松的开源协议之一

二、跑分：赢了，但别急着欢呼

深度原理公布的评测数据是这样的：

指标 · Hydrogen-1.0 · 对比

FSR · 38.3% · GPT-6 Astra 33.3%；基座 GLM-5.3 为 24.4%

GPQA-Diamonds · 93.0% · 与 Kimi-K3 的 93.5% 几乎持平

材料发现（HOMO-LUMO 带隙） · 4.318 eV · GPT-6 Astra 为 3.689 eV

用人话说：FSR 这一栏的含义是——同样的科研题目，深度原理的模型一次就做对的比例是 38.3%，GPT-6 Astra 是 33.3%，而它没微调之前的底座只有 24.4%。也就是说，光靠喂实验室数据这一件事，就把正确率抬高了近 14 个百分点。

带隙那组数字更有意思。带隙是半导体材料学的核心指标，数值越高越好。深度原理的模型算出来的材料带隙比 GPT-6 Astra 更高，翻译过来就是"它算出来的东西，性能可能更好"。

但——这些都是厂商自己公布的评测数据，训练所用的实验室数据并未公开，无法被第三方独立复现。这一点必须说清楚。

如果非要在这些数字里找一条"最硬"的线索，反而是 GPQA-Diamonds 93.0%。这个基准公认的难度极高，是博士级科学问答的硬骨头，一个 753B 的模型能做到 93%，说明它确实在某个维度上追平了全球第一梯队。

三、真正的坑：MIT 协议，和它底下的那道裂缝

这是全文最该讲清楚的部分，也是这一篇和别的"开源模型发布"新闻不一样的地方。

但问题出在基座上。

Hydrogen-1.0 的底座是智谱 GLM-5.3。而 GLM-5.3 在智谱的 MaaS 平台上，已经换成了带安全审查条款的商用许可。

用人话说：一家公司用别人的模型当底座，然后把自己训练出来的权重标成 MIT 放出去——但底座那部分的原始授权，并不是 MIT。

这就像有人租了一栋有产权的房子，在里面盖了两层，然后宣布"我盖的第二层你们随便搬走"——第二层确实是他的，第一层不是。

这在业内被叫作许可错位（license mismatch）。它会引出几个非常实际的问题：

问题 · 具体是什么

能不能商用 · 你以为可以，其实底座那部分可能不允许

能不能闭源卖 · MIT 部分可以，底座授权可能不允许

出了事找谁 · 你合规了没有，得逐字读原始协议

换不换得掉 · 想彻底干净，就得把底座整段替换掉重训

为什么这件事普通人也要关心？

因为"开源模型"这四个字，在商业上的真正含义不是"免费"，而是"你可以把它装在自己机房里、不用给我一分钱、我也不会哪天把你账号停了"。这正是过去两年无数中小公司选择开源模型的唯一理由——数据不出门，成本可控，不会被断供。

而一道许可裂缝，就可能让这三点全部落空。

值得肯定的是，深度原理把模型放上 HuggingFace 和魔搭这两个开源社区最主流的托管平台，这本身就是在主动降低使用门槛。同一天，腾讯混元也发布了 Hyra 2.0，主打"AI 科研从解题迈向工具研发"——一南一北两家大厂同一天往科学智能体这条线上压，说明这条赛道已经是明牌了。

写在最后

1. 三个数看懂这次发布

7530 亿——总参数量，属于全球第一梯队的体量，而且权重是白给的。

100 万——上下文长度，够你把一整个实验室的历史资料一次性喂进去。

24.4% 到 38.3%——同一个模型，微调前后在 FSR 评测上的差距。这是全篇最能说明"喂对数据"有多重要的一组数字。

2. 对普通人意味着什么

第一，"开源"这两个字从此要重新理解。过去两年你听到"开源模型"，默认含义是"随便用、随便改、随便卖"。从 2026 年开始，你需要多问一句：它的底座是谁的授权？这一问，能帮你省掉未来某天法务部门发来的那份让你头皮发麻的函。

第二，如果你是科研/医药/材料从业者，这是目前最值得下载的一个模型。它把"实验室记录"喂进去的做法，比任何一份公开论文都更接近真实科研现场。MIT 协议 + 全权重开放 + 100 万上下文，这套组合意味着你可以把它塞进自己的实验流程里反复调。

第三，如果你只是个普通上班族，这篇新闻的实际影响是"以后会有更便宜更专业的 AI 助手"。一个能算材料带隙、能读完整实验室记录的模型，价格一定比同级的通用大模型低——因为它不需要在"写诗""写代码""做 PPT"这些事上浪费算力。

第四，得泼点冷水。厂商自测 + 训练数据不公开 = 分数只能当参考，不能当结论。而且深度原理是一家 2025 年 11 月才完成超亿元 A 轮的公司，能不能持续投入、能不能长期维护这个 1.5TB 权重，才是决定它生死的关键。开源项目最常见的死法不是被抄袭，是维护者先撑不住。

3. 未来 6 个月，看 3 件事

看许可错位会不会被行业出手修掉。如果智谱把 GLM-5.3 的 MaaS 授权放开到接近 MIT，或者深度原理干脆换掉底座自训，这条裂缝就闭合了。如果没人管，这会是国内开源模型最普遍的一个坑。

看有没有第三方复现那些评测分数。目前所有数据都来自厂商自己。这是国产开源模型和海外开源模型之间最大的一道信任差距——能被别人独立验证一次，这个模型的江湖地位就完全不一样了。

看科学模型会不会长出"付费版"。当基础权重免费、只有托管和微调服务收费时，深度原理赚的钱一定来自企业级服务。这意味着它未来的客户会是药企、材料公司、券商研究所——离普通人的生活很远，但离你的工作可能很近。

开源模型真正开放的是代码，而模型的"出身"永远有层级。Hydrogen-1.0 证明了国产科学模型能站上全球第一梯队的评测线，也顺手提醒了所有人：免费下载的东西，和可以放心使用的之间，隔着一份需要逐字读的协议。

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴【数字新奇点】会继续追踪开源协议的合规细节和科学模型的第三方复现进展，看看"免费"和"能用"之间到底隔着多少。

咱们下期见！

参考资料

同花顺：「深度原理」发布其首款通用大模型，科学推理评测超越 GPT-6 Astra

网易：国内 AI4S 圈的头号玩家，科学模型，权重全开放！

搜狐：国内 AI4S 圈的头号玩家，科学模型，权重全开放！

深响：智谱 GLM-5.3 被科学家拉去实验室特训，科研跑分反超 GPT-6 Astra

腾讯新闻：昨夜今晨重要资讯（11 月 2 日 - 11 月 3 日）