Periodic Labs навчає модель з трильйоном параметрів за допомогою 1300 GPU H200 для наукових експериментів

Periodic Labs опублікувала наукову модель Periodic Neon: вона базується на відкритій моделі з трільйоном параметрів Kimi K2.6, проходить проміжне навчання та навчання з підсиленням за допомогою даних матеріалів, отриманих у лабораторії компанії, а потім впроваджується назад у лабораторію для аналізу результатів рентгенівської дифракції. На найскладнішому внутрішньому тесті FrontierXRD успішність зросла з 2,7% у базовій моделі до 55,3%; Periodic стверджує, що вона перевершує GPT‑6 Astra та Claude Fable 5.1 у цій конкретній задачі, одночасно маючи нижчі витрати. Справжньою цінністю є не просте порівняння «1300 H200 проти 100 000 GPU», а те, що компанія створює замкнений цикл: експеримент — навчання — знову експеримент. Фізичні лабораторії постійно генерують нові дані, яких немає в інтернеті, модель вчиться на них і вирішує, що слід синтезувати та тестувати на наступному етапі. Проте всі основні досягнення наразі походять із внутрішніх тестів компанії, залежать від суддів LLM і ще не пройшли рецензування колегами або незалежну перевірку; Neon успадкував дорогу попередню підготовку Kimi K2.6, а на момент перевірки публічних посилань на завантаження ваг Neon також не було знайдено.

Автор статті, джерело: Periodic Labs

Periodic Labs шукає кращі надпровідники та магнітні матеріали. Дослідники можуть встановити цільовий матеріал, вибрати сировину та температуру, але отриманий порошок не завжди є очікуваним продуктом: він може містити одночасно цільову кристалічну фазу, непрореаговану сировину та випадково утворені побічні продукти.

Дослідники зазвичай використовують порошкову рентгенівську дифракцію (XRD), щоб визначити склад зразка. Після опромінення кристалів рентгенівськими променями утворюється набір піків; різні кристалічні структури дають різні патерни, подібні до «відбитків пальців» матеріалу.

Але реальні зразки часто містять кілька речовин, піки яких накладаються один на одного. Математично добре підібраний результат може бути хімічно нереалістичним. Аналітик повинен також враховувати склад сировини, температуру, атмосферу, чи був зразок у контакту з вологою, попередні експерименти, кристалографічні бази даних, термодинамічні розрахунки та відповідні наукові статті, щоб визначити, які фази дійсно присутні та які їхні пропорції.

Periodic стверджує, що аналіз складних зразків може вимагати від матеріалознавців кілька годин. У їх оцінці середній прийнятий відповідь містить п’ять фаз. Саме це Neon автоматизує: читання дифракційних зображень та повного експериментального контексту, виклик баз даних та наукового програмного забезпечення, запропонування кандидатів на фази та повторне перевірка своїх інтерпретацій.Дослідницька статтястверджує, що модель вже використовується в лабораторії високої пропускної здатності компанії.

Neon — це не нова базова модель, натренована з нуля. Periodic починає з відкритої вагової моделі Kimi K2.6, додає науковий корпус даних, що складається з академічних статей, коду та власних експериментальних даних, а потім проводить навчання з підсиленням за допомогою лабораторних даних.

На внутрішньому тестуванні FrontierXRD, яке було найскладнішим для компанії, початкова успішність Kimi K2.6 становила 2,7%, а Neon досягла 55,3%, що приблизно у 20 разів більше. Тестування включало 134 складних зразки від лабораторії Periodic.

Компанія також протестувала 198 вимірювань XRD зі збереженої хімічної системи: ці системи та більші системи, що їх містять, не входили до навчальних даних, але менші підсистеми могли зустрічатися. Neon також показав найкращий результат серед перевірених передових моделей на цьому наборі тестів, проте Periodic зазначив, що цей набір завдань легший, ніж FrontierXRD.

(У оригіналі є діаграма продуктивність-вартість, крива масштабування обчислювальних ресурсів із підсиленням навчання та графік узагальнення результатів на хімічних системах.)

Тут «перевищує GPT‑6 Astra та Claude Fable 5.1» обмежується лише оцінками XRD, створеними Periodic. Це не означає, що Neon має кращі загальні здібності до міркувань, програмування чи мови, і не може використовуватися для побудови загального рейтингу моделей.

Та 55,3% результату означає, що майже половина найскладніших зразків залишилася нерозв’язаною. Neon краще використовувати як інструмент для розширення можливостей науковців, а не як автономного експерта з матеріалів без нагляду.

Основна логіка Periodic полягає в тому, що якісні наукові дані, надані відкритим інтернетом, в кінцевому підсумку обмежені, тоді як фізичні лабораторії можуть постійно генерувати нові дані.

Традиційні наукові статті особливо схильні до публікації успішних результатів. Інформація про те, які матеріали не були синтезовані, які температури та пропорції не вдалося використати, або які аномалії виникли в обладнанні, часто не потрапляють до статей, але є дуже цінною для оцінки наступного етапу експериментів. Автономна лабораторія може зберігати всі результати — успішні, невдалий та невизначені.

Компанія розбила виявлення матеріалів на три циклічні етапи:

Спочатку передбачте, який матеріал слід виготовити; потім передбачте, як його синтезувати; нарешті проаналізуйте, що саме було виготовлено в експерименті. Результати аналізу повертаються до моделі для корекції наступних гіпотез.

Neon зараз основною увагою приділяє третьому кроку. Наступним етапом Periodic є надання моделі можливості безпосередньо планувати дослідницькі проекти, писати синтетичні процеси та вибирати наступний експеримент із найвищою інформаційною цінністю.

Це має важливе відмінність від математики та кодового підсиленого навчання. Програми можуть запускати тести за кілька секунд, а математичні відповіді можуть перевірятися формальними системами; фізичні експерименти вимагають обладнання, матеріалів і часу, іноді триваючи кілька днів, а результати можуть бути невизначеними. Компанії не можуть запускати десятки тисяч реальних експериментів миттєво, як генерують код, тому повинні використовувати наявні дані для навчання та покращення моделей під час очікування експериментів.

Periodic зазначає, що піковий розмір останнього тренування Neon становив 1300 GPU Nvidia H200, що охоплює проміжні етапи навчання та підсилення. Компанія порівнює це зі згадуваним використанням понад 100 000 GPU Blackwell у GPT‑6 Astra, щоб продемонструвати, що професійні дані можуть зменшити обчислювальні ресурси, необхідні для навчання загальних наукових здібностей.

Але це не порівняння за однаковою базою.

Neon успадкував ваги з трільйоном параметрів від Kimi K2.6, а також усі дані та обчислювальні ресурси, вкладені в його попереднє навчання. 1300 графічних процесорів H200 — це лише піковий розмір, використаний Periodic під час подальшого навчання моделі, а не повна вартість отримання цієї здатності з трільйоном параметрів. Компанія також не розголошила повну тривалість навчання, загальну кількість годин GPU, споживання енергії або загальні витрати.

Більш цінними є його інженерні деталі.Стаття про інфраструктуру стверджує, що компанія внесла зміни до Megatron, SGLang, Miles і Ray, що дозволило збільшити пропускну здатність навчання довгих послідовностей до 4,1 разів порівняно з базовою версією Megatron, а також підвищити швидкість декодування моделей з трильйоном параметрів з 10 токенів на запит за секунду до 25.

Один висновок XRD Agent може тривати більше години, під час якого необхідно багаторазово запускати наукові програми. Ранні системи призводили до того, що згенерований моделлю код запитував 80 ГБ пам’яті, що призводило до аварійного завершення всієї тренувальної задачі. Команда розробила ізольоване середовище під назвою pbox, де код моделі виконується в пісочниці, а для обробки наукових інструментів використовуються вільні ресурси CPU на GPU-серверах.

(У вихідному тексті про інфраструктуру містяться більше ніж година треків роботи агента, асинхронна архітектура навчання та висновку, а також графік порівняння продуктивності pbox-сендбоксу.)

Periodic також порівняв два середовища агентів за допомогою того самого Claude Opus 5.

Один із них — Claude Code разом із відкритою базою даних кристалів та стандартним ПЗ для XRD; інший — власне наукове середовище Periodic, яке містить експериментальні дані, внутрішню базу даних матеріалів, результати моделювання та спеціалізовані інструменти для аналізу.

За однакових моделей та схожої вартості одного аналізу, успішність у середовищі Periodic становить 3,8 рази вищу, ніж у попередньому. Це свідчить, що обмеженнями завдання XRD є не лише ваги моделі, а й здатність моделі бачити правильні експериментальні записи, використовувати відповідні інструменти та зберігати накопичений досвід попередніх досліджень.

Тому конкурентні переваги Neon можуть бути важкими для повного відтворення шляхом копіювання моделі. Більш важливими активами є лабораторні дані, бази даних, інтерфейси приладів та аналітичні процеси, що лежать в основі моделі.

Це також означає, що науковий ІІ може сформувати конкурентну ситуацію, відмінну від загальних чат-моделей: чим більша лабораторія, тим більше власних даних вона генерує; чим краща модель, тим більше експериментів вона може керувати; нові експерименти далі розширюють перевагу в даних.

Складний аналіз XRD зазвичай не має дешевих, унікальних та автоматично перевірених правильних відповідей. Добре підігнана форма піків не означає, що результат відповідає хімічним закономірностям. Тому Periodic привлек трьох докторантів, спеціалістів у галузі матеріалознавства, щоб вони розмітили тисячі зображень, а потім навчили систему суддів, що складається з Claude Opus 5 і GPT‑5.6 Sol, щоб оцінювати виводи моделі.

Двостороння згода між трьома людськими експертами становить 77,2%; згода між LLM-суддею та окремим людським експертом — 74,6%; згода з експертною консенсусною оцінкою — 84%.

Ці результати свідчать, що AI-судді можуть наближатися до експертних суджень, але не є еквівалентом об’єктивної істини. Між людьми завжди існують розбіжності, а модель суддів може віддавати перевагу певному стилю відповідей або пропускати помилки, яких не виявили жодні з анотаторів.

Ще важливіше, модель, середовище роботи, зразки та метод оцінки FrontierXRD були розроблені Periodic. Хоча компанія опублікувала багато методів і статистичних даних, повний набір оцінок, навчальні дані або ваги Neon, які дозволили б зовнішнім сторонам повторно запустити процес, ще не були опубліковані, а результати не пройшли рецензування колегами.

Періодично зазначається, що Neon навчався на основі моделі з відкритими вагами Kimi K2.6. Деякі соціальні мережі тому називають Neon «науковою моделлю з відкритими вагами».

Але на момент перевірки офіційний випуск не надав моделі Neon, ліцензії чи посилань на завантаження ваг, а також не надав коду та даних для повного відтворення проміжного навчання та підсиленого навчання. Правильне твердження: Neon побудований на основі моделей з відкритими вагами, а не те, що ваги після навчання Neon були офіційно опубліковані.

Ця різниця важлива. Зовнішні дослідники наразі не можуть незалежно перевірити результат 55,3% і не можуть визначити, яка частина покращення походить з експериментальних даних, підсиленого навчання, спеціалізованих інструментів, бюджету міркувань чи середовища оцінки.

Попередні великі наукові моделі навчалися на знаннях, вже зафіксованих у наукових статтях, патентах та записах баз даних. Periodic намагається зробити наступний крок: дозволити моделі спостерігати за експериментами, які були завершені сьогодні й ніколи не з’являлися в Інтернеті, а потім використовувати ці результати для керування експериментами завтра.

Це ще не повноцінний «AI-вчений». Людям все ще потрібно визначати дослідницькі цілі, будувати лабораторії, обслуговувати обладнання, розробляти системи нагород, перевіряти висновки XRD і вирішувати, які матеріали варто продовжувати розробляти. Neon наразі довів, що один із ключових етапів може бути значно автоматизований: зі зростанням кількості експериментів аналіз результатів не повинен повністю залежати від пропорційного збільшення кількості людських експертів.

Якщо цей замкнений цикл працює, конкурентна перевага наукових моделей у майбутньому більше не буде залежати лише від того, хто має більше відкритих текстів і GPU, а й від того, хто зможе стабільно проводити реальні експерименти, фіксувати невдачі та перетворювати природний світ на неперервно оновлюване середовище для навчання.