要点
- Deep Principle 推出 Hydrogen-1.0：在 GLM-5.3 上对化学、材料科学、生命科学领域数据及其实验室记录与 agent 轨迹做后训练；宣称开权，并可经 Hugging Face、ModelScope、NeuroSpark API、Mira AI Scientist 获取（未在笔记中给出具体仓库 ID）。
- 厂商自评：FrontierScience-Research（FSR）上优于 GPT-6-Astra；GPQA-Diamond 相对 GLM-5.3 提升；大致对齐开源前沿 Kimi-K3。内部对比 GPT-6-Astra：科学计算 +5.13pp、正向反应 +4.76pp（max thinking）；NMR 上 Astra 高 3.33pp。
- 示例工作流含聚合物 MD（GROMACS）、Ireland–Claisen 反应网络（27 结构 / 30 反应）、NMR 结构鉴定；TMC 设计 5 轮 mean best-so-far HOMO–LUMO gap：Hydrogen-1.0 4.318 eV vs GPT-6-Astra 3.689 vs Kimi-K3 3.353（均为 Deep Principle 评价）。
Hydrogen-1.0 的可检验主张，不是「科学超智能」广告语，而是：用实验室轨迹与领域语料对开权基座做科学向后训练，能否在 FSR / GPQA / TMC 一类设定上相对 GLM-5.3（及文中对照模型）稳定增益。
可证伪读法：若第三方拿到开权后无法复现 Deep Principle 所报告的 FSR/GPQA/TMC 类增益，则 发布文应主要读作厂商方向声明与内部评测仪表盘；若独立复现站得住，则应上修「实验室轨迹后训练」路径的权重。
[1]硬事实（Deep Principle 官方博客）：Hydrogen-1.0 由 post-training GLM-5.3 得到；数据含化学、材料、生命科学领域数据及 lab records 与 agent trajectories；训练叙述为 SFT + RL，栈含 Megatron、SGLang，支持 CUDA 与 ROCm。合作方点名 UniPat、Mind Lab、NeuroSpark。
产品侧：开权；对比其引用的专有发现模型叙事（文中举例 OpenAI Navier–Stokes/Lean、Anthropic CRISPR-like enzyme——此处仅转述 Deep Principle 的引述，非本轮独立核实）。提供 ELN + Mira agentic documentation，以及协议的 lab compilation / virtual rehearsal（文中 Suzuki coupling tip-aspiration 例）。
[1]证据强度：一手厂商发布 + 自报基准与内部对照分；工作流示例具体到结构/反应计数与 eV 数值，便于第三方设计复现协议。但 GPT-6-Astra / Kimi-K3 / GLM-5.3 命名与分数均来自 Deep Principle 评价；成本轴亦称用 GLM-5.3 定价套用 Hydrogen。
钢人论证：把真实实验室轨迹写进后训练，比只刷通用科学问答更贴近「能跟实验闭环」；开权降低复现门槛，是相对闭源发现模型的可检验优势。钢人之外：自评榜天然偏成功路径；NMR 上落后 Astra 的 3.33pp 说明并非全项统治；无独立评测包则 FSR「优于 Astra」仍是待验句。
[1]最强钢人：若开权科学后训练真能把 lab trajectory 变成可迁移能力，中小实验室有机会在本地或可控 API 上获得接近闭源发现助手的工作流，而不是只买到聊天界面。
钢人风险：多数数字为 self-reported；未在笔记中出现可引用的精确 Hugging Face repo ID；对照模型版本、提示与工具权限未在本轮材料中完全钉死；「开放权重」声明仍需以实际上传与许可证为准。
[1]对科学 ML 与实验室自动化读者，观察点应是：开权文件是否可下载、FSR/GPQA/TMC 协议是否可复跑、以及 Mira/ELN 轨迹是否有可审计导出——而不是再放大「科学超智」修辞。对采购方，把厂商对照分当方向信号，把第三方复现当成交条件。
[1]短期不要把 FSR/GPQA/TMC 自报增益读成已结算的科学模型 SOTA：应以开权可下载性、第三方在相近协议下的复跑，以及失败案例披露为准。三者缺位时，Hydrogen-1.0 更像后训练方向的产品叙事；三者齐备时，它才可能成为「实验室轨迹 → 开权科学模型」路径的参照点。
【No.2】
[1]