Hydrogen-1.0, un modèle ouvert pour la recherche scientifique

TThéa

D’après MarkTechPost, l’entreprise Deep Principle présente Hydrogen-1.0 comme un modèle à poids ouverts, destiné à la chimie, aux sciences des matériaux et aux sciences de la vie. C’est une société basée à Hangzhou, spécialisée dans l’intelligence artificielle appliquée aux matériaux. Le modèle dérive de GLM-5.3, conçu par Z.ai, puis a été entraîné sur des contenus spécialisés, des cahiers de laboratoire et des séquences décrivant des démarches de découverte. L’idée est de proposer un outil pour résoudre des problèmes scientifiques, mais aussi pour préparer des expériences ou analyser leurs résultats. Alors, le lancement se distingue surtout par cette combinaison entre un modèle très volumineux et une orientation explicite vers les sciences. Les poids, c’est-à-dire les paramètres qui permettent au modèle de produire ses réponses, sont accessibles sous licence MIT.

TThéa

Deep Principle part d’abord d’un modèle général, GLM-5.3, et l’adapte ensuite avec des données liées aux domaines ciblés. L’entreprise indique avoir utilisé des connaissances en chimie, en science des matériaux et en sciences de la vie, ainsi que des scénarios de recherche conçus pour ces tâches. Le corpus comprend aussi des traces issues de cahiers électroniques de laboratoire et des trajectoires de découverte, autrement dit des suites de choix, de retours et d’essais, y compris infructueux. Cette méthode d’entraînement combine des informations spécialisées et des traces de recherche, selon la description du modèle. En pratique, le modèle est présenté comme un assistant capable d’aider à formuler une question, à planifier une expérience et à interpréter des résultats. Mais ces possibilités décrivent la cible annoncée, pas une garantie que chaque réponse soit exacte ou directement exploitable.

TThéa

Les poids du modèle sont publiés sous licence MIT, ce qui fixe les conditions de leur réutilisation. Il compte 753 milliards de paramètres au total, mais environ 40 milliards sont activés pour produire une réponse. Sa fenêtre de contexte atteint 1 million de tokens, donc le modèle peut prendre en compte une quantité importante de texte dans une même interaction. La longueur maximale de sortie annoncée est de 128 000 tokens, ce qui autorise aussi des réponses très longues. Bon, ces chiffres décrivent des capacités, mais ils ne signifient pas que l’utilisation soit légère : le test rapporté a mobilisé huit processeurs graphiques, ou GPU, avec le logiciel SGLang.

TThéa

Le déploiement dépend également du matériel disponible. Les formats d’inférence indiqués sont adaptés à des GPU NVIDIA B200 et B300, ainsi qu’à des processeurs graphiques AMD MI350X et MI355X. L’inférence, ici, c’est le moment où le modèle est utilisé pour répondre, après son entraînement. Le modèle a été testé avec SGLang sur huit GPU, un élément concret à prendre en compte pour le déploiement. Les poids sont publiés sous licence MIT, mais les jeux de données complets et les recettes d’entraînement ne sont pas rendus publics. L’ouverture des poids ne signifie donc pas que l’ensemble de la méthode d’entraînement soit disponible.

TThéa

Deep Principle annonce un score de 38,3 % sur FrontierScience-Research, contre 33,3 % pour GPT-6-Astra. L’entreprise rapporte aussi 93 % sur GPQA-Diamond, une évaluation de questions scientifiques. Ces chiffres donnent un premier aperçu de la performance revendiquée, mais il faut les lire avec prudence : les résultats sont communiqués par l’entreprise et ne sont pas présentés comme vérifiés indépendamment. Ils ne suffisent donc pas à établir que Hydrogen-1.0 serait meilleur dans tous les usages de recherche, ni même dans chaque domaine scientifique. Le résultat le plus utile à retenir est moins un classement général que l’existence de performances annoncées sur des tests scientifiques, qu’il reste à examiner de façon indépendante.

TThéa

Les comparaisons internes de Deep Principle montrent d’ailleurs un tableau moins uniforme. Face à GPT-6-Astra, le modèle obtient, dans ces évaluations, un avantage de 5,13 points en calcul scientifique et de 4,76 points en prédiction de réactions directes. En revanche, il accuse un retard de 3,33 points pour l’élucidation de structures par résonance magnétique nucléaire, ou RMN. Autrement dit, il peut se distinguer sur certaines tâches et être moins performant sur d’autres. Ces écarts sont eux aussi rapportés par l’entreprise, et ne doivent pas être confondus avec une validation indépendante. Il manque également des détails complets sur la suite de l’évaluation, ce qui limite la possibilité de comparer précisément les conditions et de reproduire les résultats.

TThéa

La distinction essentielle, c’est que les poids sont ouverts, mais que tout le processus ne l’est pas. Les jeux de données complets et les recettes d’entraînement ne sont pas publiés, indique MarkTechPost. Les poids sont disponibles sous licence MIT, mais les informations publiées ne suffisent pas à décrire l’ensemble des données et des étapes d’entraînement. L’ouverture permet donc d’accéder aux paramètres sans rendre publiques toutes les ressources nécessaires pour documenter la méthode. Pour les équipes qui souhaitent étudier ou réutiliser le modèle, cette différence entre poids ouverts et entraînement documenté est à prendre en compte.

TThéa

Il faut aussi garder une frontière claire entre l’assistance et la validation scientifique. Hydrogen-1.0 est conçu pour aider à préparer des expériences, analyser des résultats et explorer des pistes, mais les éléments communiqués ne démontrent pas qu’il puisse remplacer le jugement des spécialistes ou les vérifications en laboratoire. Les scores publiés ne répondent pas à eux seuls à la question de la fiabilité sur un projet réel. Et comme les évaluations détaillées ne sont pas entièrement disponibles, un laboratoire devra vérifier par ses propres essais si le modèle convient à ses besoins. On peut donc voir ce lancement comme une nouvelle option à tester, plutôt que comme la preuve qu’un assistant scientifique autonome est déjà prêt à prendre des décisions.

TThéa

Hydrogen-1.0 associe donc une ambition scientifique ciblée à une ouverture réelle, mais partielle. Les équipes peuvent accéder aux poids d’un modèle de grande taille, conçu pour la chimie, les matériaux et les sciences de la vie, et annoncé comme performant sur plusieurs évaluations. En parallèle, les résultats restent des déclarations de Deep Principle qui ne sont pas vérifiées indépendamment, et les données comme les recettes d’entraînement demeurent fermées. L’intérêt du lancement est de rendre possible l’essai d’un modèle spécialisé par des équipes qui disposent des moyens techniques nécessaires. La prochaine étape, pour juger sa valeur, sera de voir comment il se comporte sur des tâches de recherche concrètes et reproductibles. Il faudra aussi pouvoir comparer ces essais dans des conditions suffisamment documentées. Pour l’instant, c’est donc une promesse de recherche ouverte sur ses poids, mais pas encore une méthode d’entraînement entièrement transparente.