1300张卡击败GPT-6！前OpenAI副总裁造出材料大模型

前OpenAI研究副总裁Liam Fedus在X上发布Periodic Labs首个模型Periodic Neon：仅用1300张H200，加上数月实验数据，在自研XRD分析基准上超过GPT-6 Astra。Neon约1T参数，在134道高难度X射线衍射分析题组成的FrontierXRD上成功率达55.3%，领先GPT-6 Astra和Claude Fable 5.1。Astra据传总参数数万亿、背后算力超10万张Grace Blackwell；Neon最终训练峰值仅1300张H200。Jeff Dean第一时间留言祝贺。

Fedus曾是ChatGPT核心创造者之一，负责后训练。他去年创立Periodic时指出，互联网约10T token已被前沿模型读完，AI继续前进需要互联网没有的新数据，因此拉上前谷歌DeepMind化学与物理研究负责人Ekin Dogus Cubuk，自建实验室、自造数据，目标造一个AI科学家。

XRD如同晶体指纹，但实验室样品常极不纯净，多种物质重叠，专家分析费时。Periodic另备198道训练数据中刻意剔除相关化学体系的题，Neon仍领先。成本上，Neon最高档每题约4美元多，Astra约7美元多且成绩更低，Claude Fable 5.1成功率约40%。所有模型均用Periodic自搭科学工具环境Periodic Harness，其成功率是Claude Code配标准XRD工具方案的3.8倍。

Periodic在门洛帕克建高通量材料实验室，24小时运转，将材料发现拆成“做什么、怎么做、做了什么”循环，每轮产出新鲜私有数据。中训练语料混合文献、代码和实验数据，规模每月翻倍。其研究博客题为“自然就是学习环境”，瞄准互联网数据将耗尽后，谁能持续产出新数据谁就多一条Scaling路径。

物理世界RL面临智能体难扩展、实验耗时长、结果模糊三大障碍。Periodic请材料专家给数千XRD图谱打标签，校准由Opus 5和GPT-5.6 Sol组成的LLM裁判组：专家间一致率77.2%，裁判与单个专家74.6%，与专家共识84%，已逼近人类专家水平。

1300张H200是Neon中训练和RL同时跑的峰值卡数。科学任务RL中，做题耗时一个多小时，更新模型仅几分钟。Periodic让做题与学习分开用不同GPU。早期RL循环无隔离，模型代码申请80GB内存导致任务崩溃，遂自研沙箱pbox，调用RL节点闲置CPU跑科学工具，数据不出集群，比托管沙箱快4.5倍，吞吐量3.3倍，集群利用率常年超95%。

Neon已部署进实验室分析真实实验，寻找更好超导体和磁体。目前仅证明“看懂实验室做出了什么”，决定做什么和怎么合成尚在扩展。Fedus措辞克制：模型是“帮我们决定”，非替科学家拍板。官方称扩算力至前沿量级可解锁更强科学能力，未来可换更强开放权重底座。Fedus曾在GPT-4技术报告担任“数据飞轮”负责人，如今把飞轮从互联网文字搬进物理实验室。下一阶段Scaling，比的或许不只是谁能买十万张芯片，还要看谁的实验室能一刻不停往模型里送真实世界数据。