← ブログに戻る
Ai読了目安 13 分

753B の科学モデルが MIT で公開された。学習レシピは公開されなかった。

公開日 2026年11月7日
753B の科学モデルが MIT で公開された。学習レシピは公開されなかった。

杭州の企業 Deep Principle は 11 月 2 日、Hydrogen-1.0 を公開しました。7530 億パラメータの mixture-of-experts モデルで、1 回のフォワードパスで有効なのは約 400 億パラメータです。化学、材料科学、ライフサイエンス向けに作られています。重みは Hugging Face 上に MIT ライセンスで置かれ、アクセスは自動承認のゲート越しです。

この組み合わせは十分に珍しく、率直に書く価値があります。これまでで最大のオープン科学モデルが、最も寛容な一般ライセンスの下にあり、8 基の GPU と申請フォームがあれば誰でもダウンロードできるのです。

これは「オープン」が通常意味するものではありませんし、その差こそが面白いところです。

何が作られ、どう作られたか

Hydrogen-1.0 は Z.ai の GLM-5.3 から出発し、領域データで追加学習されています。化学、材料科学、ライフサイエンス、さらに Deep Principle 自社ラボの記録とエージェントの軌跡です。同社は Mira という電子ラボノートを運用しており、モデルはそこを通じて記録された全サイクルの実験記録から学びました。失敗した実験も含みます。

学習は教師ありファインチューニングと強化学習を組み合わせたもので、インフラは Nvidia CUDA と AMD ROCm の両方で動いたと同社は述べています。学習とサービングのフレームワークとしては Megatron と SGLang が挙げられています。

仕様表は本格的です。コンテキストウィンドウは 100 万トークン、最大出力は 128,000 トークン。BF16 でのサービングは SGLang 経由で 8 基の GPU 上で検証済みです。量子化ビルドは特定のアクセラレータを狙っています。B200 と B300 には NVFP4、MI350X と MI355X には MXFP4 です。サーバーは OpenAI 互換の API を公開し、reasoning effort の設定を備えています。

このハードウェア構成は、セルフホスティングを研究機関か専用クラスタを持つ企業の範囲に置きます。BF16 推論のための 8 基の GPU は部門単位の購入であり、個人のものではありません。だからこそ他の配布経路が重要になります。ModelScope は量子化版をホストし、NeuroSpark は API を提供し、モデルは Deep Principle 自身の AI Scientist 製品 Mira の中にも入っています。

ベンチマークの主張と、正しいラベル

FrontierScience-Research は教科書的な問題ではなく研究水準の科学問題を狙ったスイートで、Hydrogen-1.0 は 38.3 パーセントを記録します。GPT-6-Astra は 33.3 パーセントです。大学院レベルの科学推論ベンチマークである GPQA-Diamond では、創業者が 93.0 パーセントを報告しており、おおむね Kimi-K3 と並びます。

3 つの社内ラボシナリオでは、最大思考時に科学計算で GPT-6-Astra を 5.13 ポイント、順反応予測で 4.76 ポイント上回ると同社は述べています。敗北も公開しています。最大思考時の Astra は NMR 構造決定で 3.33 ポイント優れています。

最も鋭いのはコストの数字です。1 問あたり約 25 セント、Astra Max は 88 セント。ブログは精度を推定 API コストに対してプロットしており、これは素のリーダーボードより正直なグラフです。フロンティアの頂点は正確さ 1 単位あたり高くつくことを示しているからです。

ここからが注意点で、かなり大きく、しかも同社は隠さずに書いています。

すべての数字は自己申告です。外部グループによる再現は一つもありません。いくつかは構成が非公開の社内問題セットから来ています。比較に使われた 117 問の実験計画質問では、含まれたモデルは Kimi-K3 だけでした。GPT-6-Astra と Opus 5.5 がその評価で半分以上のリクエストを拒否したからです。この除外は妥当です。答えないモデルは採点できないからですし、同時に、そのタスクでは見出しの比較が成立しないことも意味します。

同社はまた、タスク間の差はモデル能力の直接比較として読むべきではないとも述べています。何度も引用されてよい類の一文です。

オープンな重み、クローズドなレシピ

モデルカードには、リリース全体の意味を変える一行があります。完全なデータセットとレシピは重みと一緒には公開されない、というものです。

では実際に何がオープンなのでしょうか。パラメータです。BF16 と 2 つの量子化形式で。ライセンスです。商用利用と派生物をロイヤリティなしで認めます。サービング経路です。オープンなフレームワーク経由で。ベンチマークの主張です。あるがままに。

クローズドなのは、能力を生み出した部分です。データの混合比。強化学習の環境。報酬の設計。4 年分のラボ記録を学習素材へと整理するキュレーション。Hydrogen-1.0 は誰でも動かせます。誰も再構築はできません。

これは今やオープンモデル公開の主流のパターンであり、何を得て何を失うのかを明確にしておく価値があります。得るのは結果の再現性です。ラボは重みをダウンロードし、同じ問題を走らせ、主張を検証できます。足元で変わる API に対する実際の前進です。得るのは主権です。機微なデータを持つ製薬企業は自社ハードウェアで推論できます。得るのは派生物です。ファインチューニングが許されているからです。

得られないのは科学です。キュレーションされた専門家の軌跡での追加学習から能力が来るのなら、オープンなチェックポイントはレシピではなく完成品であり、それの上で改善する分野の能力は、自分で生み出せるデータに限られます。

反論はこうです。Deep Principle のデータはそもそも移転不可能だと。競合は他社の電子ラボノートを使えません。その枠組みでは、重みの公開は、唯一重要な資産を渡さずに公開できる最大限です。

どちらの読み方も正しい。問題は、ある買い手がどちらを必要としているかです。

誰も計画しなかった分業

ここには 2 年後に明らかに見える構造的なディテールがあります。杭州の専門企業が Z.ai の中国のオープン基盤モデルを取り、独自のラボデータで追加学習し、Nvidia と AMD 両方のハードウェア向けの量子化ビルドを付けて MIT で公開した。

3 年前、そのパイプラインは存在しませんでした。基盤モデルは一握りのラボから出て、他の全員がアプリケーションを作っていました。今では基盤層は専門企業が追加学習するコモディティであり、専門化が製品です。Hydrogen-1.0 はその最も明確な例の一つで、基盤が中国製で、配布インフラがアメリカ製で、ライセンスが MIT だという事実が、サプライチェーンを本当に多国籍にしています。

これは買い手にとって実際的な帰結があります。領域モデルを評価するとき、基盤モデルが教えてくれることは以前より少なくなりました。重要なのは追加学習のデータと、評価が自分のタスクを反映しているかどうかです。FrontierScience-Research で勝ち、NMR 構造決定で負ける 753B モデルは、訓練データがどこで強かったかを正確に教えてくれています。

どう決めるか

計算化学のグループを率いていて、クラスタへのアクセスがあるなら、重みをダウンロードして自分の問題を 10 問走らせてください。デモの問題ではありません。答えをすでに知っている問題と、知らない問題です。

Deep Principle が見せたデモはポリエチレン融体のシミュレーションでした。モデルがシミュレーションコードを書き、実行し、その後 3D 分子ビジュアライゼーションを描画して、密度、動径分布関数、慣性半径、両端間距離を計算しました。有能なジュニア計算科学者のワークフローです。よくプロンプトを与えたフロンティアモデルにもできるワークフローでもあります。

違いが出るのは、どこにも送れないデータでそれを 400 回走らせる必要があるときです。Hydrogen-1.0 はそのために作られており、そのケースは 8 基の GPU を正当化するのに十分大きいのです。

関連記事