Hydrogen-1.0 lleva los pesos abiertos a la química y los materiales

Deep Principle, una empresa con sede en Hangzhou que trabaja en inteligencia artificial para la ciencia, publicó Hydrogen-1.0 el 2 de noviembre de 2026. Es un modelo científico de pesos abiertos para química, ciencia de materiales y ciencias de la vida. Los pesos son públicos, la licencia es permisiva y las demostraciones usan programas reales de laboratorio, no solo respuestas de chat.

Esa combinación merece una mirada atenta. Muchos modelos científicos viven detrás de una API. Puedes hacer preguntas, pero no puedes ejecutar el sistema en tus propias máquinas, adaptarlo con cercanía a tu laboratorio ni mantener dentro de tus paredes un trabajo delicado en fase temprana. Hydrogen-1.0 va en dirección contraria. Descárgalo, sírvelo y construye sobre él.

Construido sobre GLM-5.3 y entrenado para el laboratorio

Hydrogen-1.0 se creó con un entrenamiento posterior de GLM-5.3 de Z.ai sobre datos del dominio, registros de laboratorio y trayectorias de descubrimiento de agentes. Cada uno de esos tres ingredientes hace un trabajo distinto. Los datos del dominio enseñan el vocabulario y los hechos del campo. Los registros de laboratorio enseñan cómo son los experimentos de verdad, con sus partes desordenadas. Las trayectorias de descubrimiento enseñan los pasos de hacer el trabajo: probar, observar, ajustar y probar otra vez.

La escala es notable. El modelo suma 753.000 millones de parámetros en total con un diseño de mezcla de expertos, y unos 40.000 millones permanecen activos. El contexto llega a 1 millón de tokens, con una salida máxima de 128.000 tokens. El contexto largo le sienta a la ciencia mejor de lo que puede pensar quien está fuera del campo. Un solo proyecto puede reunir un artículo, un conjunto de espectros, meses de notas de laboratorio y un registro de simulación, y todo eso necesita estar a la vista a la vez, como se aprecia en esta historia sobre un robot humanoide en esta revista.

Chenru Duan, cofundador y director de tecnología, presentó el lanzamiento. Un límite debe anotarse en el mismo párrafo que los elogios: no se publicaron los datos completos de entrenamiento ni la receta completa. Los pesos son abiertos. El método completo para crearlos no lo es. Otros equipos pueden usar y adaptar el modelo, pero no pueden reproducir con exactitud su entrenamiento a partir de lo publicado.

Pesos que sí te puedes llevar a casa

Los pesos están disponibles en Hugging Face y en ModelScope bajo la licencia MIT. Las versiones incluyen BF16, además de variantes NVFP4 para equipos NVIDIA B200 y B300, y variantes MXFP4 para equipos AMD MI350X y MI355X. El servicio se probó con SGLang en 8 GPU, según la empresa.

¿Por qué contar formatos de equipos en una noticia? Porque deciden quién puede ejecutar el invento. Un modelo que solo encaja con comodidad en el equipo más nuevo de un único proveedor llega a menos laboratorios. Las variantes para las dos grandes líneas de aceleradores abren la puerta, desde institutos con buena financiación hasta grupos pequeños con un único servidor de 8 GPU y una buena idea.

Puntuaciones comunicadas, con su etiqueta clara

Deep Principle comunica un 38,3 por ciento en FrontierScience-Research para Hydrogen-1.0, frente a un 33,3 por ciento comunicado para GPT-6-Astra, y afirma que el modelo se acerca mucho a Kimi-K3 en GPQA-Diamond. Hay que etiquetar esto tal como la empresa lo presenta: resultados comunicados por la compañía y no verificados de forma independiente. Las referencias en ciencia son fáciles de citar y difíciles de comparar si los métodos no coinciden al detalle.

Trata por tanto las puntuaciones como un motivo para probar y no como un veredicto. Un grupo de química debería pasar por el modelo sus propios problemas pasados: las reacciones que domina, las estructuras que ya caracterizó, las configuraciones de simulación en las que confía. Un modelo que puntúa bien en público y tropieza en tu mesa de trabajo te ha dicho algo valioso, y te lo ha dicho barato, en la línea de lo que exploramos en esta crónica sobre entregas con drones.

Demostraciones que van más allá del chat

Las demostraciones son donde este lanzamiento se vuelve más interesante. En una de ellas, el modelo escribe código en Python para construir una masa fundida de polietileno y ejecuta GROMACS, un paquete muy usado de dinámica molecular. En otras, traza reacciones químicas y valora estructuras frente a un espectro de resonancia magnética nuclear. Son tareas de agente: escribir código, ejecutar una herramienta, leer el resultado y juzgar un dato frente a una medición.

Eso es una afirmación distinta a responder bien preguntas de ciencia. Un modelo capaz de manejar programas de simulación, aunque sea en una demostración preparada, apunta hacia asistentes de laboratorio que preparan y ejecutan trabajo computacional rutinario mientras el personal investigador diseña el estudio y juzga el resultado. La persona sigue siendo dueña de la conclusión. La máquina quita de la mesa la preparación repetitiva.

Consejos prácticos para equipos de investigación

Empieza por las variantes cuantizadas si el equipo va justo. Revisa qué versión encaja en tus GPU, ejecuta la ruta de servicio con SGLang que la empresa probó y mantén pequeña la primera evaluación: diez problemas conocidos, puntuados por alguien que antes hizo ese trabajo a mano.

Mantén la disciplina con los datos. Los pesos abiertos hacen posible la ejecución local, y eso ayuda con resultados aún no publicados y con trabajo confidencial de socios. Usa esa ventaja. Ejecuta en tus propias máquinas los proyectos en fase temprana en lugar de enviarlos fuera, y registra qué versión del modelo produjo cada resultado para que artículos y patentes queden limpios, como también sugerimos en nuestra cobertura sobre robotaxis de estos días.

Reserva tiempo para la receta que falta. Como no se publicaron los datos completos ni el método completo, tu equipo podrá ajustar y evaluar, pero algunas preguntas sobre por qué el modelo se comporta como se comporta terminarán en los propios pesos. Planifica evaluaciones que respondan a tus preguntas prácticas sin necesitar esa pieza ausente.

Hydrogen-1.0 llega en buen momento. Los laboratorios quieren una ayuda de inteligencia artificial que respete cómo se hace la ciencia: se ejecutan herramientas, se comprueban espectros y se guardan registros. Un modelo de pesos abiertos construido desde registros de laboratorio y pasos de descubrimiento, publicado bajo la licencia MIT para que cualquiera lo ejecute, es un intento serio de lograr justo eso. Las pruebas independientes fijarán su reputación. La puerta, al menos, está bien abierta.

También publicado en: