科研人员用大模型，不只是问一道题，还要把计划、工具、检查和失败后的调整串起来。Deep Principle 团队发布的 Hydrogen-1.0，正想补上这段“科研流程”。它从通用底座 GLM-5.3 继续做后训练——用专业数据和反馈塑造模型行为，面向化学、材料与生命科学；同时开放权重，意味着外界可取得模型参数，自行部署和继续调校，但不等于训练数据与代码也全部公开。
最值得看的数字来自团队自测：在 FrontierScience Research 固定题集上，Hydrogen-1.0 的通过率为 38.3%，高于 GPT-6 Astra 在最高思考强度下的 33.3%；估算的单题输出侧成本为 0.25 美元，对方为 0.88 美元，低约 72%。团队称，训练材料包含实验室记录和“发现轨迹”，把研究目标、操作、观察、结果，以及失败后如何改下一步保留在一起。这个思路比单纯灌入专业知识更有意思：它训练的是怎样接着做。只是成绩与成本目前均为作者自报；成本比较还取决于输出长度、思考强度、硬件和计价口径，是否真能便宜地胜过闭源模型，仍需独立复现。