Periodic Labs представила Neon — модель на 1 трлн параметров для материаловедения
Стартап Лиама Федуса развернул в собственных лабораториях Neon — модель для анализа экспериментов, поднявшую точность рентгеновского анализа с 2,7% до 55,3%.
Стартап Periodic Labs, основанный бывшим вице-президентом OpenAI по постобучению Лиамом Федусом, представил Neon — модель на 1 трлн параметров, обученную для анализа результатов физических экспериментов и уже развёрнутую в собственных лабораториях компании.
Как устроена модель
За основу взята открытая модель Kimi K2.6, которую команда дообучила на научной литературе, коде и собственных экспериментальных данных с помощью промежуточного обучения и обучения с подкреплением. На финальный прогон потребовалось до 1 300 ускорителей NVIDIA H200.
Замкнутый цикл с лабораторией
Periodic Labs построила в Менло-Парке (Калифорния) высокопроизводительные материаловедческие лаборатории, работающие по замкнутому циклу: установки непрерывно генерируют данные, модель на них учится и подсказывает, какой эксперимент проводить следующим. Компания фокусируется на поиске новых сверхпроводников, магнитных материалов и полупроводников.
Инфраструктура и финансирование
В инженерном посте от 15 сентября команда раскрыла детали обучающего стека: заявлена загрузка кластера выше 95%, в 4,1 раза более высокая пропускная способность обучения по сравнению с базой на Megatron и ускорение инференса в 2,5 раза — с 10 до 25 токенов в секунду на запрос для модели на триллион параметров. В сентябре 2025 года стартап привлёк $300 млн seed-раунда во главе с Andreessen Horowitz при оценке около $1,3 млрд.
Результаты на внутреннем бенчмарке
На тесте FrontierXRD — анализе сложных рентгеновских дифрактограмм на 134 образцах — Neon показал успешность 55,3% против 2,7% у исходной модели, то есть рост примерно в 20 раз. По утверждению компании, в одинаковых условиях Neon превосходит GPT-6 Astra и Claude Fable 5.1, причём при меньшей стоимости анализа. Результаты опубликованы в исследовательском отчёте и пока не прошли независимую проверку.
Почему это важно
Neon — показательный пример перехода «ИИ для науки» от бумажных бенчмарков к реальным лабораториям: вертикально интегрированные эксперименты создают данные, которых нет в открытом доступе, и превращают их в конкурентное преимущество модели. Подход может ускорить открытие новых материалов — одну из самых трудоёмких областей прикладной науки.