Zum Inhalt springen

KI

1-Billion-Parameter-Modell schlägt GPT-6 Astra beim Pulverlesen

Periodic Labs sagt: Neon erreicht 55.3% bei der Röntgenbeugungsanalyse, das Basismodell kam auf 2.7%. Der Haken: Der Test stammt von der Firma selbst, das Modell bleibt im Haus.

Titelfoto: HaeB / CC BY-SA 4.0

TL;DR

  1. Neon von Periodic Labs schafft 55.3% im internen Röntgenbeugungstest; das Basismodell kam auf 2.7%.
  2. Laut Periodic schlägt Neon GPT-6 Astra und Claude Fable 5.1 auf FrontierXRD, dem hauseigenen Benchmark.
  3. Neon basiert auf Kimi K2.6; Gewichte und Trainingsdaten bleiben unveröffentlicht.

Was passiert ist

Periodic Labs hat Neon vorgestellt, ein Modell mit einer Billion Parametern, spezialisiert auf die Auswertung von Experimenten aus den eigenen Hochdurchsatz-Labors.

Die Aufgabe: Röntgenbeugung. Du schießt Röntgenstrahlen auf ein pulverisiertes Material, bekommst ein Muster aus Peaks und musst herausfinden, welche kristallinen Phasen du da eigentlich hergestellt hast. Bei überlappenden Phasen kann eine erfahrene Wissenschaftlerin damit Stunden verbringen.

Auf FrontierXRD, einer internen Evaluation für Beugungsmessungen, erreicht Neon 55.3%. Das Basismodell kommt auf 2.7%. Laut Periodic schlägt Neon auf demselben Test auch GPT-6 Astra und Claude Fable 5.1.

Es ist kein Foundation Model von Grund auf. Periodic ist von Kimi K2.6 ausgegangen, einer Open-Weight-Basis mit derselben Größe von einer Billion Parametern, und hat darauf Midtraining und Reinforcement Learning mit wissenschaftlichen Daten und Labordaten gesetzt. Dafür habe Neon, so Periodic, vergleichsweise wenig Rechenleistung gebraucht.

Neon bleibt vorerst intern. Weder die Gewichte noch das Trainingskorpus sind veröffentlicht.

Warum es zählt

Der Pitch ist ein Kreislauf. Die Labors von Periodic fahren Experimente, die Experimente liefern Daten, die Daten trainieren wissenschaftliche KI, und diese KI steuert die nächsten Experimente.

Die Firma sagt, sie nutze Frontier-Modelle, solange die funktionieren, und trainiere eigene, wenn die zu schwach oder zu teuer werden.

Das ist ein leises Argument gegen die Story vom einen riesigen Allzweckmodell, das alles kann. Proprietäre Labordaten kann kein Chatbot einfach abgrasen, und Periodic wettet, dass sie mehr wert sind als rohe Größe.

Jetzt das Kleingedruckte, sapiens. Der Benchmark gehört Periodic, der Vergleich stammt vom Hersteller, und außerhalb der Firma hat ihn niemand überprüft. 55.3% heißt außerdem: Das Modell liegt bei einer Menge Pulvermuster immer noch daneben.

Ein Spezialist, trainiert auf privaten Labordaten, schlägt Generalisten in einem Test, den sein Hersteller selbst geschrieben hat. Brauchbares Signal, kein Urteil.

Die Labor-Seite ist allerdings echt: Periodic sagt, in Menlo Park Hochdurchsatz-Labors gebaut zu haben, die 24/7 laufen und auf neue Materialien wie Supraleiter und Magnete zielen.

Was du damit machst

  • Lies den Benchmark, nicht die Schlagzeile.FrontierXRD ist intern. Behandle den Sieg über GPT-6 Astra und Claude Fable 5.1 als Behauptung, bis unabhängige Tests vorliegen.
  • Klau das Muster.Wenn dein Team ungewöhnliche Domänendaten besitzt, kann eine angepasste Open-Weight-Basis billiger sein, als auf das nächste Frontier-Release zu warten.
  • Behalte einen Release im Blick.Gewichte und Trainingsdaten sind unveröffentlicht. Prüf also, ob Periodic etwas öffnet, bevor du um Neon herum planst.
  • Verfolge Materials-KI.Wenn du in Chemie, Batterien oder Magneten arbeitest, sind Modelle, die direkt im Labor sitzen, der Teil dieser Geschichte, den du im Auge behalten solltest.

Keep up, sapiens. Das Pulver wird längst gelesen.