Aller au contenu

IA

Un modèle à 1T de paramètres bat GPT-6 Astra sur la poudre

Periodic Labs affirme que Neon atteint 55.3% en analyse par diffraction des rayons X, contre 2.7% pour son modèle de base. Le hic : l'examen est maison, et le modèle reste enfermé à la maison.

Photo de couverture : Jernej Furman from Slovenia / CC BY 2.0

TL;DR

  1. Neon, de Periodic Labs, score 55.3% à son test interne de diffraction des rayons X ; le modèle de base faisait 2.7%.
  2. Selon Periodic, Neon bat GPT-6 Astra et Claude Fable 5.1 sur FrontierXRD, son propre benchmark.
  3. Neon repose sur Kimi K2.6 ; les poids et les données d'entraînement restent inédits.

Ce qui s'est passé

Periodic Labs vient de dévoiler Neon, un modèle d'un trillion de paramètres spécialisé dans l'analyse des expériences menées dans ses propres labos à haut débit.

La tâche visée : la diffraction des rayons X. Tu envoies des rayons X sur un matériau en poudre, tu obtiens un motif de pics, et tu dois deviner quelles phases cristallines tu as réellement fabriquées. Quand les phases se chevauchent, un scientifique chevronné peut y passer des heures.

Sur FrontierXRD, une évaluation interne centrée sur les mesures de diffraction, Neon score 55.3%. Son modèle de base, lui, plafonne à 2.7%. Periodic affirme que Neon devance aussi GPT-6 Astra et Claude Fable 5.1 sur ce même test.

Ce n'est pas un modèle de fondation construit de zéro. Periodic est partie de Kimi K2.6, une base open-weight de même taille (un trillion de paramètres), puis a ajouté du midtraining et de l'apprentissage par renforcement sur des données scientifiques et de labo. Periodic précise aussi que Neon y est arrivé avec relativement peu de calcul.

Pour l'instant, Neon reste en interne. Ni les poids ni le corpus d'entraînement n'ont été publiés.

Pourquoi ça compte

Le pitch tient en une boucle. Les labos de Periodic font tourner des expériences, les expériences produisent des données, les données entraînent une IA scientifique, et cette IA guide les expériences suivantes.

L'entreprise explique utiliser les modèles de frontière tant qu'ils font l'affaire, et entraîner les siens quand ils coincent ou coûtent trop cher.

C'est un argument discret contre le récit du « un seul gros modèle généraliste fait tout ». Les données de labo propriétaires, c'est la seule chose qu'un chatbot ne peut pas aspirer sur le web, et Periodic parie que ça vaut plus que la taille brute.

Maintenant, les petites lignes, sapiens. Le benchmark est celui de Periodic, la comparaison vient du fournisseur, et personne en dehors de l'entreprise ne l'a vérifiée. Un score de 55.3%, c'est aussi un modèle qui rate encore beaucoup de motifs de poudre.

Un spécialiste entraîné sur des données de labo privées bat des généralistes sur un test écrit par son créateur. Signal utile, pas verdict.

Côté labo, en revanche, c'est du concret : Periodic dit avoir construit à Menlo Park des labos à haut débit, qui tournent 24/7, visant de nouveaux matériaux comme les supraconducteurs et les aimants.

Qu'est-ce que tu en fais

  • Lis le benchmark, pas le titre.FrontierXRD est interne : considère la victoire sur GPT-6 Astra et Claude Fable 5.1 comme une déclaration, jusqu'à l'arrivée de tests indépendants.
  • Pique la recette.Si ton équipe possède des données de domaine atypiques, une base open-weight adaptée peut coûter moins cher qu'attendre la prochaine sortie d'un modèle de frontière.
  • Guette une publication.Poids et données d'entraînement sont inédits : vérifie si Periodic ouvre quelque chose avant de bâtir un plan autour de Neon.
  • Suis l'IA des matériaux.Si tu bosses en chimie, batteries ou aimants, les modèles intégrés au labo sont la partie de cette histoire à suivre.

Keep up, sapiens. La poudre est déjà en train d'être lue.