Deep Principle, 과학 특화 Hydrogen-1.0 공개, MIT 라이선스 753B

중국 항저우의 재료 분야 AI 기업 Deep Principle이 화학·재료과학·생명과학용 오픈 웨이트 모델 Hydrogen-1.0을 공개해, 연구자가 내려받아 직접 돌려 볼 수 있게 됐다. Z.ai의 GLM-5.3에 과학 데이터를 더해 사후 학습한 모델이며, 가중치는 MIT 라이선스로 배포된다.

매개변수는 753B이고 전문가 혼합 구조다. 활성 매개변수는 기반 모델 GLM-5.3에서 이어받은 약 40B이며, 컨텍스트는 1M 토큰, 최대 출력은 128K 토큰이다. 가중치는 Hugging Face와 ModelScope에서 받을 수 있다. 입력과 출력은 텍스트다. 요금은 자료에서 밝혀진 바 없다.¹

기반 모델 GLM-5.3

GLM-5.3은 Z.ai의 753B 전문가 혼합 모델로, 복잡한 소프트웨어 엔지니어링과 장시간 에이전트 작업을 겨냥한다. 텍스트 전용이며 GLM-5.3 라이선스로 공개됐다. GLM-5.2와 같은 기반 모델에서 확장된 사후 학습으로 성능을 올렸다고 Z.ai는 설명했다.²

GLM-5.3은 항상 추론을 켠 채 동작하며, 추론 강도는 low, high, max 세 단계다. 값을 넘기지 않으면 max가 기본이다. Z.ai는 어려운 코딩과 장시간 작업에는 max를 권하고, 낮은 단계는 연산을 덜 쓰는 대신 지연 시간과 토큰 사용량을 줄인다고 밝혔다.^2,3

학습 데이터와 방식

Deep Principle은 지도 미세 조정과 강화 학습을 함께 썼다. 데이터는 네 갈래다. 화학·재료·생명과학 도메인 지식, 자사 과학자들이 준 연구 시나리오별 피드백, 전자 실험 노트 서비스 Mira로 기록한 전 과정 실험 기록, 실패한 시도까지 담은 선택과 피드백의 연쇄(발견 궤적)다.

학습 인프라는 Megatron과 SGLang 기반이며 CUDA와 AMD ROCm 양쪽에서 돈다. 강화 학습은 중단 후 이어갈 수 있는 롤아웃을 쓰고, 토큰마다 원래 행동 로그 확률을 남겨 중요도 보정에 쓴다. 학습 체크포인트는 BF16과 128×128 블록 단위 FP8 추론 가중치로 변환된다. 전체 데이터셋과 학습 레시피는 공개하지 않았다.¹

성능: 회사 발표 수치

Deep Principle은 FrontierScience-Research에서 Hydrogen-1.0이 38.3%로 OpenAI의 GPT-6-Astra(33.3%)를 앞섰다고 밝혔다. 공동 창업자 한 명의 게시글은 GPQA-Diamond 93.0%를 제시했고, 회사 블로그는 이를 GLM-5.3보다 높고 Kimi-K3와 비슷한 수준이라고 설명했다. 같은 GPQA-Diamond에서 GPT-6-Astra는 OpenAI가 발표한 96.0%로, Hydrogen-1.0보다 3.0%포인트 높다.¹

전이금속 착물 설계에서는 5라운드에 걸쳐 HOMO-LUMO 간격을 키우도록 했다. 5라운드째 지금까지의 최고값 평균은 Hydrogen-1.0이 4.318 eV, GPT-6-Astra가 3.689 eV, Kimi-K3가 3.353 eV였다. 실험 계획 문항 117개에서는 Hydrogen-1.0이 Kimi-K3보다 높은 점수를 받았다. GPT-6-Astra와 Opus-5.5는 요청의 50% 넘게 거절해 비교에서 제외됐다.¹

시연과 배포

기술 문서는 네 가지 시연을 보여 준다. 모델이 파이썬으로 폴리에틸렌 용융체를 만들어 GROMACS를 돌리고, 위상 오류를 찾아 고친 뒤 40ns 궤적을 분석한다. Ireland-Claisen 반응 네트워크는 구조 27개와 그럴듯한 반응 30개로 확장한다. 1H NMR 신호로 2-bromonaphthalene의 모노포르밀화 후보 7개의 순위를 매기고, 바이알 12개의 Suzuki 커플링 실험 프로토콜을 JSON으로 쓴다. 가상 실험실 컴파일 단계에서는 새 팁 없이 흡입하는 동작을 실행 전에 잡아냈다.

Deep Principle은 텐서 병렬 8로 GPU 8장에 SGLang으로 BF16 서빙하는 구성을 시험했다. NVFP4 빌드는 NVIDIA B200·B300, MXFP4 빌드는 AMD Instinct MI350X·MI355X를 겨냥한다. 서버는 reasoning_effort 설정을 갖춘 OpenAI 호환 API를 제공한다.

Deep Principle은 최근의 AI 과학 성과가 비공개 모델에서 나왔고 그 발견 능력은 공개되지 않았다고 지적하며, Hydrogen-1.0을 재현하고 들여다볼 수 있는 대안으로 내놨다. 벤치마크 수치는 대부분 회사가 직접 밝힌 것이라 독립 평가로 다시 확인할 필요가 있다.¹