В индустрии нейросетей сложилась удивительная двойственность. Создатели крупнейших языковых моделей тратят колоссальные ресурсы на зачистку выборок: из датасетов вырезают черновики и неудачные гипотезы, оставляя только безупречные чистовики статей. Но живая наука устроена с точностью до наоборот — в лабораториях большинство опытов заканчивается срывом, и именно эти тупики очерчивают реальные границы законов природы.
Когда исследовательская команда Deep Principle обучила открытую модель Hydrogen 1.0 на архивах провальных экспериментов, она обошла самые дорогие закрытые системы мира. Я изучил технический отчет разработчиков: давай разберемся, почему разбор чужих промахов оказался для ИИ эффективнее зубрежки правильных ответов.
Прорыв в тесте Frontier Science: 38,3% у открытой модели против 33,3% у закрытого лидера
Принято считать, что решать задачи на переднем крае науки способны лишь закрытые коммерческие гиганты. Вышедшая 2 ноября 2026 года модель Hydrogen 1.0, которую разобрал аналитик Джулиан Голди в своем выпуске, опровергла эту установку цифрами.
В междисциплинарном бенчмарке Frontier Science Research (FSR — тест на решение задач в химии, материаловедении и биоинженерии) разработка Deep Principle набрала 38,3%, опередив лидера GPT-6 Astra с его 33,3% на 5 процентных пунктов. Меня впечатлила прагматичная архитектура модели: на базе открытого каркаса GLM-5.3 со смесью экспертов (Mixture of Experts, MoE — схема, где при обработке слова включается лишь малая часть сети) из 753 миллиардов параметров на токен активируется около 40 миллиардов. Окно контекста вмещает 1 000 000 токенов ввода и до 128 000 токенов генерации, позволяя загружать целые монографии и таблицы замеров.
Как архивы неудачных опытов и траектории поиска лечат нейросеть от угадывания
Ты резонно спросишь: откуда взялся такой отрыв при умеренном числе активных весов? Обычные модели при выравнивании поощряют за гладкий итог — как сонного студента, угадывающего правдоподобную формулу. Но в науке свыше 90% экспериментов завершаются неудачей, и без понимания причин этих сбоев алгоритм не чувствует физических ограничений.
В Deep Principle собрали датасет из четырех слоев: теории по химии, материалам и наукам о жизни, живых сценариев собственных ученых, записей электронных лабораторных журналов (Electronic Laboratory Notebooks, ELN) и траекторий открытий — полных цепочек от гипотезы и ошибки до корректировки параметров. Похожее отсечение слабых веток я разбирал в обзоре режима параллельного рассуждения Gemini Deep Think, но в Hydrogen 1.0 этот навык заложен прямо в веса через архивы проб.
Когда химик-технолог проектирует новый термостойкий полимер и запрашивает маршрут синтеза, разница в обучении видна сразу. Обычная нейросеть выдает гладкий рецепт из успешных статей, который в реакторе сворачивается в смолу. Hydrogen 1.0, опираясь на журналы ELN, анализирует гипотезу и последовательно отсекает три тупиковых пути синтеза до выдачи ответа, указывая на скрытые температурные ограничения, где разрушается катализатор.
Для исследователя это экономит недели работы и реактивы: технолог сразу видит опасные температурные зоны и ведет реакцию по рабочему коридору. Изучив тысячи задокументированных неудач, нейросеть перестает имитировать стиль победных отчетов и начинает рассуждать методом исключения.
От химического реактора к рабочим процессам: локальный запуск и проверка бизнес-гипотез
Такая дедукция через отбраковку тупиков полезна и за пределами научных лабораторий. Веса Hydrogen 1.0 открыты под лицензией MIT вместе с 4-битными сборками NVFP4 (через NVIDIA ModelOpt) и MXFP4 (для ускорителей AMD). Компании могут запускать модель на своих серверах без передачи секретов во внешние API — особенно со скоростной маршрутизацией из нашего разбора оптимизации инференса MoE в движке vLLM. А сам принцип поиска ошибок Джулиан Голди советует перенести в рабочую рутину: искать с помощью ИИ три точки трения в письмах онбординга, выявлять три главных пробела по 20 реальным вопросам клиентов и за первые 30 минут теста новых сервисов фиксировать их сбои.
Успех Hydrogen 1.0 показывает, куда двинется индустрия дальше. Запасы чистых публичных текстов в сети исчерпаны, поэтому следующий прорыв в точности ИИ совершат команды, которые откроют для обучения свои внутренние журналы багов, отбракованные гипотезы и протоколы неудачных испытаний.



