AI 生成的分支化学反应网络概念示意图
一旦模型开始提出接下来可能发生什么，反应图谱就可能迅速扩张。每一条新分支都为化学家提供了另一种需要考虑的可能性，以及另一项需要核实的断言。一条看似合理的路径，仍可能依赖于最初问题中未说明的条件。
Deep Principle 于 11 月 2 日发布了 Hydrogen-1.0。该公司使用来自化学、材料科学和生命科学的数据，以及实验室记录和项目过程中研究决策如何演变的示例，对 GLM-5.3 进行了适配。此次发布包含可下载的权重，Hugging Face 模型卡标注为 MIT 许可证。
反应图谱在何处分支
在一项演示中，团队使用 Hydrogen-1.0 探索了一个 Ireland–Claisen 重排网络。其技术公告描述了由 30 个看似合理的反应连接起来的 27 个分子结构。该案例展示了模型和研究工具如何让相互竞争的路线在同一处变得可见。
这张图谱是一份假设清单。一项有用的后续工作将识别哪些分支依赖于一组狭窄的假设，哪些分支对计算设置的变化具有稳健性，以及哪些分支值得实验关注。当实验室只能负担得起研究少数候选方案时，排序很重要。
比较衡量了什么
Deep Principle 报告称，在比较双方最高测试推理设置时，其内部科学计算和正向反应任务上的结果强于 GPT-6 Astra。在该设置下，Astra 在团队内部的 NMR 结构任务上领先。这些结果描述的是开发者运行的选定评估。公告中的示例还依托特定的工具和研究环境。
外部实验室可能更关心一个更小的问题，例如该模型是否会为实验室已经非常熟悉的一类反应提出可行的替代方案。一组带有记录结果的过往案例将帮助研究人员看出这些提议在哪些地方站得住脚，以及看似合理的建议在哪些地方把他们引入歧途。
另一家实验室能复现什么
可下载的权重为团队提供了一种运行自身案例的方式。权重发布中不包含完整的训练数据集和训练配方，运行该模型需要兼容的环境设置。因此，可复现的评估需要说明使用了哪个检查点、它可以调用哪些工具，以及候选反应是如何被评判的。
一份包含输入、假设和结果的简短预测清单，将为另一个团队提供一个真正可以核查的结果。对于一个为辅助研究而构建的开放权重模型来说，这是从此次发布本身迈出的具体下一步。
来源 · Deep Principle 技术公告 · Hugging Face 模型卡 · 发布日期报道（BAAI Hub）