ডিপ প্রিন্সিপলের ওপেন-ওয়েট হাইড্রোজেন-১.০ মডেল রসায়ন এবং জীববিজ্ঞান গবেষণার জন্য একটি বিশাল, এমআইটি-লাইসেন্সযুক্ত টুল প্রদান করে উন্নত বৈজ্ঞানিক আবিষ্কারকে সাধারণ মানুষের কাছে পৌঁছে দিচ্ছে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
Deep Principle has released Hydrogen-1.0, an open-weight scientific model for chemistry, materials science and life sciences. It is built by post-training Z.ai’s GLM-5.3 on domain data, laboratory records and agent discovery trajectories. For developers, it offers open weights that report a FrontierScience-Research win over GPT-6-Astra. The weights ship under the MIT License. TL;DR Size: 753B parameters (MoE, ~40B active per the GLM-5.3 base), 1M-token context, 128K max output. Runs on: 8 GPUs with SGLang (tested); NVFP4 for NVIDIA B200/B300, MXFP4 for AMD MI350X/MI355X. Performance: Beats GPT-6-Astra on FrontierScience-Research; roughly matches Kimi-K3 on GPQA-Diamond. Best: 38.3% on FrontierScience-Research vs 33.3% for GPT-6-Astra (self-reported). Worst: Trails GPT-6-Astra (max thinking) by 3.33 points on NMR structure elucidation. What is Hydrogen-1.0? Hydrogen-1.0 is a scientific research assistant model from Deep Principle, a Hangzhou-based AI-for-materials company. The model card describes it as a GLM-5.3 derivative for scientific problem solving. It targets question framing, experiment planning, results analysis and open-ended discovery. Deep Principle team states that proprietary models produced recent AI science results, but their discovery capabilities are not open. Hydrogen-1.0 is its attempt at a reproducible, inspectable alternative. How was Hydrogen-1.0 trained? The pipeline combines supervised fine-tuning (SFT) with reinforcement learning (RL). Data comes from 4 sources: Domain knowledge: chemistry, materials science and life sciences data. Research scenarios: task-specific feedback from Deep Principle scientists. Laboratory records: full-cycle electronic lab notebook records captured through Mira. Discovery trajectories: sequences of choices and feedback, including failed attempts. Infrastructure builds on Megatron and SGLang across NVIDIA CUDA and AMD ROCm. The team keeps dynamic sparse attention causal across context-parallel shards
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
এমআইটি-র শক্তি বিশেষজ্ঞরা জটিল শক্তি রূপান্তরের ক্ষেত্রে বর্জ্য কার্বন, এআই বিশ্বাসযোগ্যতা এবং কোয়ান্টাম প্রয়োগের মতো চ্যালেঞ্জ মোকাবিলা করতে একটি আন্তঃবিভাগীয় এবং আন্তর্জাতিক পদ্ধতির প্রয়োজনীয়তা নিয়ে গুরুত্ব দিয়েছেন।
Realtime-Bench প্রকাশ করেছে যে বর্তমান LLM-এর গেমিং এবং নিলামের মতো নিম্ন-ল্যাটেন্সি কাজে ব্যর্থ হয়, যা AI-এর রিয়েল-টাইম সিদ্ধান্ত গ্রহণের ক্ষমতায় একটি গুরুত্বপূর্ণ ঘাটতি তুলে ধরে।
NVIDIA-র Auto Ontology প্রত্যয়িত ব্যবসায়িক সংজ্ঞার মাধ্যমে AI এজেন্টগুলিকে ভিত্তি করে রেখে নির্ভুল SQL তৈরি নিশ্চিত করে, যা এন্টারপ্রাইজ ডেটা বিশ্লেষণে ব্যয়বহুল ত্রুটি প্রতিরোধ করে।