‏Hydrogen 1.0: مدل باز MIT برای کشف علمی

Hydrogen 1.0 یه مدل open weight (یعنی وزن‌هاش آزادانه منتشر شده و می‌شه خودت اجراش کنی) هست که پژوهشگرهای MIT ساختن. از صفر آموزش ندیده؛ تیم روی GLM 5.3، مدل باز چینی، post-training انجام داده. یعنی یه مرحله آموزش اضافه روی مدل آماده، تا برای استدلال علمی، شبیه‌سازی و نوشتن کد پژوهشی تخصصی بشه. پایهٔ زبان و استدلال از GLM 5.3 میاد و سهم MIT اون لایهٔ تخصصیه.

تو یه نمونهٔ نمایشی، از مدل خواستن یه مذاب پلی‌اتیلن رو شبیه‌سازی کنه. خودش کد شبیه‌سازی رو نوشت، نتیجه رو به شکل یه مدل سه‌بعدی مولکولی قابل چرخش نشون داد و کمیت‌هایی مثل چگالی، تابع توزیع شعاعی (RDF)، شعاع چرخش و فاصلهٔ دو سر زنجیره رو حساب کرد. به گفتهٔ مقاله، این بیشتر شبیه یه دانشمند محاسباتی تازه‌کاره تا یه چت‌بات که فقط با متن جواب می‌ده.

تو بنچمارک Frontier Science Research، که مسئله‌های باز و در حد پژوهش رو می‌سنجه نه سؤال‌های کتاب درسی، Hydrogen 1.0 نمرهٔ ۳۸.۳۳ درصد گرفته و از GPT-6 Astra Max، Kimi K3 و خود GLM 5.3 جلو زده. نویسنده معتقده این نشون می‌ده برای حوزه‌های باریک و مشخص، post-training هدفمند روی یه مدل باز می‌تونه فاصله با مدل‌های بستهٔ بزرگ رو پر کنه یا حتی ازشون رد بشه.

برگ برندهٔ اصلیش هزینه‌ست: ۲۵ سنت برای هر مسئله تو همین بنچمارک، در برابر ۸۸ سنت برای Astra Max، یعنی بیش از سه برابر ارزون‌تر. خود GLM 5.3 ظاهراً ارزون‌تره ولی دقت کمتری داره. برای تیم‌هایی که حجم زیادی شبیه‌سازی یا آزمون فرضیه اجرا می‌کنن، این تفاوت خیلی زود به چشم میاد.

مقاله تأکید می‌کنه Hydrogen 1.0 دستیار همه‌کاره نیست. برای کدنویسی عمومی، گفتگو یا استدلال خارج از علم، احتمالاً یه مدل عمومی بهتر جواب می‌ده. وزن‌هاش روی Hugging Face هست، ولی چون روی GLM 5.3 ساخته شده، مدل سبکی نیست که رو لپ‌تاپ اجرا بشه. برای کسی که زیرساخت GPU نداره، از طریق API سرویس Neurospark هم در دسترسه.

نکات کلیدی:

• مدل پایه: GLM 5.3، با post-training از MIT برای کارهای علمی
• نمره تو Frontier Science Research: ۳۸.۳۳ درصد، بالاتر از GPT-6 Astra Max و Kimi K3
• هزینه: ۲۵ سنت برای هر مسئله، در برابر ۸۸ سنت برای Astra Max
• می‌تونه کد شبیه‌سازی بنویسه و نتیجه رو سه‌بعدی نشون بده
• وزن‌ها روی Hugging Face و دسترسی API از طریق Neurospark
• برای کارهای عمومی غیرعلمی، مدل‌های همه‌کاره هنوز انتخاب بهتری‌ان