← 블로그로
Ai약 11 분 읽기

753B 과학 모델이 MIT로 공개됐다. 학습 레시피는 아니었다.

게시일 2026년 11월 7일
753B 과학 모델이 MIT로 공개됐다. 학습 레시피는 아니었다.

항저우 기업 Deep Principle이 11월 2일 Hydrogen-1.0을 공개했습니다. 7530억 파라미터 mixture-of-experts 모델로, 한 번의 순전파에서 약 400억 파라미터가 활성화되며, 화학과 재료과학, 생명과학을 위해 만들어졌습니다. 가중치는 Hugging Face에 MIT 라이선스로 올라와 있고, 접근을 자동 승인하는 게이트 뒤에 있습니다.

이 조합은 충분히 이례적이어서 분명히 말할 가치가 있습니다. 지금까지 가장 큰 오픈 과학 모델이, 가장 관대한 일반 라이선스 아래에 있고, GPU 8장과 신청서만 있으면 누구나 내려받을 수 있습니다.

이것은 또한 "오픈"이 보통 뜻하는 것과 다르고, 그 둘 사이의 간격이 흥미로운 부분입니다.

무엇을 어떻게 만들었나

Hydrogen-1.0은 Z.ai의 GLM-5.3에서 출발해 도메인 데이터로 사후 학습했습니다. 화학, 재료과학, 생명과학, 그리고 Deep Principle 자체 연구소의 기록과 에이전트 궤적입니다. 이 회사는 Mira라는 전자 실험 노트를 운영하는데, 모델은 그것을 통해 수집된 전체 주기 실험 기록에서 배웠고 실패한 실험도 포함합니다.

학습은 지도 미세조정과 강화학습을 결합했고, 인프라는 Nvidia CUDA와 AMD ROCm 양쪽에서 돌았다고 회사는 밝혔습니다. 학습과 서빙 프레임워크로는 Megatron과 SGLang이 언급됩니다.

사양표는 진지합니다. 컨텍스트 윈도 100만 토큰, 최대 출력 128,000 토큰. BF16 서빙은 SGLang을 통해 GPU 8장에서 검증했습니다. 양자화 빌드는 특정 가속기를 겨냥합니다. B200과 B300에는 NVFP4, MI350X와 MI355X에는 MXFP4입니다. 서버는 reasoning effort 설정이 있는 OpenAI 호환 API를 노출합니다.

이 하드웨어 구성은 셀프 호스팅을 연구 기관이나 전용 클러스터를 가진 기업의 범위에 둡니다. BF16 추론을 위한 GPU 8장은 부서 단위 구매이지 개인 단위가 아닙니다. 그래서 다른 배포 경로가 중요합니다. ModelScope는 양자화 버전을 호스팅하고, NeuroSpark는 API를 제공하며, 모델은 Deep Principle 자체 AI Scientist 제품인 Mira 안에도 들어 있습니다.

벤치마크 주장, 올바른 라벨과 함께

FrontierScience-Research는 교과서 문제가 아니라 연구 수준의 과학 문제를 겨냥한 스위트인데, Hydrogen-1.0은 38.3퍼센트를 기록합니다. GPT-6-Astra는 33.3퍼센트입니다. 대학원 수준 과학 추론 벤치마크인 GPQA-Diamond에서는 창업자가 93.0퍼센트를 보고했고 대략 Kimi-K3와 맞먹습니다.

세 가지 내부 실험실 시나리오에서 회사는 최대 사고 시 과학 계산에서 GPT-6-Astra를 5.13포인트, 정반응 예측에서 4.76포인트 앞선다고 말합니다. 패배도 공개합니다. 최대 사고 시 Astra가 NMR 구조 규명에서 3.33포인트 더 낫습니다.

가장 날카로운 것은 비용 수치입니다. 문제당 약 25센트, Astra Max는 88센트. 블로그는 정확도를 추정 API 비용에 대해 그리는데, 이는 순수 리더보드보다 정직한 차트입니다. 프런티어의 꼭대기는 정확성 단위당 비싸다는 것을 보여주기 때문입니다.

이제 단서들인데, 상당하고, 회사가 숨기지 않고 밝힌 것들입니다.

모든 숫자는 자기 보고입니다. 외부 그룹이 재현한 것은 없습니다. 몇 개는 구성이 공개되지 않은 내부 문항 세트에서 나왔습니다. 비교에 쓰인 117개 실험 계획 질문에서 포함된 모델은 Kimi-K3뿐이었습니다. GPT-6-Astra와 Opus 5.5가 그 평가에서 절반 이상의 요청을 거부했기 때문입니다. 이 제외는 정당합니다. 답하지 않는 모델은 채점할 수 없기 때문이고, 동시에 그 과제에서는 헤드라인 비교가 성립하지 않는다는 뜻이기도 합니다.

회사는 또한 과제 간 차이를 모델 능력의 직접 비교로 읽어서는 안 된다고 말합니다. 더 자주 인용될 만한 문장입니다.

열린 가중치, 닫힌 레시피

모델 카드에는 릴리스 전체를 다시 정의하는 한 줄이 있습니다. 전체 데이터셋과 레시피는 가중치와 함께 공개되지 않습니다.

그러면 실제로 무엇이 열려 있을까요. 파라미터, BF16과 두 가지 양자화 형식으로. 라이선스, 상업적 사용과 파생 모델을 로열티 없이 허용합니다. 서빙 경로, 오픈 프레임워크를 통해. 벤치마크 주장, 있는 그대로.

닫힌 것은 능력을 만들어낸 부분입니다. 데이터 혼합비. 강화학습 환경. 보상 설계. 4년치 실험실 기록을 학습 자료로 정리하는 큐레이션. Hydrogen-1.0은 누구나 돌릴 수 있습니다. 아무도 재구축할 수 없습니다.

이것은 이제 오픈 모델 릴리스의 지배적 패턴이고, 무엇을 얻고 무엇을 잃는지 분명히 할 가치가 있습니다. 얻는 것은 결과의 재현성입니다. 연구소는 가중치를 내려받아 같은 문제를 돌리고 주장을 검증할 수 있습니다. 발밑에서 바뀌는 API에 대한 실제 진전입니다. 얻는 것은 주권입니다. 민감한 데이터를 가진 제약사가 자체 하드웨어에서 추론할 수 있습니다. 얻는 것은 파생 작업입니다. 미세조정이 허용되기 때문입니다.

얻지 못하는 것은 과학입니다. 능력이 큐레이션된 전문가 궤적에 대한 사후 학습에서 온다면, 열린 체크포인트는 레시피가 아니라 완성품이고, 그 위에서 개선할 분야의 능력은 스스로 만들어낼 수 있는 데이터로 제한됩니다.

반론은 Deep Principle의 데이터가 어차피 이전 불가능하다는 것입니다. 경쟁자는 다른 회사의 전자 실험 노트를 쓸 수 없습니다. 그 틀에서 가중치 공개는 유일하게 중요한 자산을 넘기지 않고 공개할 수 있는 최대치입니다.

두 해석 모두 맞습니다. 문제는 특정 구매자가 어느 쪽을 필요로 하느냐입니다.

아무도 계획하지 않은 분업

여기 2년 뒤에는 뻔해 보일 구조적 세부가 있습니다. 항저우의 전문 기업이 Z.ai의 중국 오픈 베이스 모델을 가져다 독점 실험실 데이터로 사후 학습하고, Nvidia와 AMD 하드웨어 양쪽을 위한 양자화 빌드를 붙여 MIT로 공개했습니다.

3년 전에는 그 파이프라인이 존재하지 않았습니다. 파운데이션 모델은 몇 안 되는 연구소에서 나왔고 나머지는 애플리케이션을 만들었습니다. 이제 베이스 레이어는 전문 기업이 사후 학습하는 상품이고, 전문화가 제품입니다. Hydrogen-1.0은 가장 명확한 예 중 하나이며, 베이스는 중국산인데 배포 인프라는 미국산이고 라이선스는 MIT라는 사실이 공급망을 진짜로 다국적으로 만듭니다.

이것은 구매자에게 실질적 결과가 있습니다. 도메인 모델을 평가할 때 베이스 모델이 알려주는 것은 예전보다 적습니다. 중요한 것은 사후 학습 데이터와 평가가 여러분의 과제를 반영하는지입니다. FrontierScience-Research에서 이기고 NMR 구조 규명에서 지는 753B 모델은 훈련 데이터가 어디서 강했는지 정확히 알려줍니다.

어떻게 결정할까

계산화학 그룹을 운영하고 클러스터 접근 권한이 있다면, 가중치를 내려받아 자기 문제 열 개를 돌려보십시오. 데모 문제가 아닙니다. 답을 이미 아는 문제와 모르는 문제입니다.

Deep Principle이 보여준 데모는 폴리에틸렌 용융 시뮬레이션이었습니다. 모델이 시뮬레이션 코드를 작성하고 실행한 뒤 3D 분자 시각화를 렌더링하고 밀도, 반경방향 분포 함수, 회전 반경, 끝단 간 거리를 계산했습니다. 유능한 주니어 계산 과학자의 워크플로입니다. 잘 프롬프트된 프런티어 모델도 할 수 있는 워크플로이기도 합니다.

차이는 어디로도 보낼 수 없는 데이터로 그것을 400번 돌려야 할 때 생깁니다. Hydrogen-1.0은 그 경우를 위해 만들어졌고, 그 경우는 GPU 8장을 정당화할 만큼 큽니다.

관련 글