Periodic 用自家实验室数据训练 Neon：FrontierXRD 成功率 55.3%，成本低于前沿模型
核心概要
Periodic 用自家实验室的 XRD 数据训练出 Periodic Neon，在内部最难评测集 FrontierXRD 上取得 55.3% 的分析成功率，而它后训练所基于的开源权重模型 Kimi K2.6 初始成功率只有 2.7%。该评测包含 134 个来自其实验室、连人类专家都要花数小时才能解析的复杂多相样品，Neon 在每次分析成本更低的前提下超过了前沿模型，并已部署进其实验室用于超导体与磁体搜索中的实验分析。
深度剖析
Periodic 把实验室产生的粉末 X 射线衍射数据变成训练信号，得到一个能自主完成多相 XRD 解析的模型 Periodic Neon，并已投入自家实验室的超导体与磁体发现工作。 此前这类解析依赖科学家在已有软件中先缩小候选元素与物相范围，再凭化学与合成背景判断拟合是否合理；随着自主实验室扩大，人工分析已跟不上实验产出。 在包含 134 个其实验室复杂样品的内部评测集 FrontierXRD 上，Neon 的成功率为 55.3%，而作为其训练起点的开源权重模型 Kimi K2.6 初始成功率为 2.7%。
Neon 的解析能力来自在实验室数据上的中期训练与强化学习，而不是单纯换一个更强的基座模型。 XRD 解析的成功无法仅凭图谱拟合便宜地判定，需要专家判断每个物相是否被图谱支持、在化学上是否合理，因此常规的可验证奖励不适用。 Periodic 用两名智能体式 LLM 评委组成评审团，与三位材料领域博士专家对数千张图谱的标注比较：人类专家彼此一致率为 77.2%，评委团与人类专家一致率为 74.6%，与专家共识一致率为 84%。
配套的科学工具环境本身也贡献了可观的解析成功率，而不只是模型权重。 常规做法是让模型使用 Claude Code 加开源数据库与开源分析软件，这代表没有内部基础设施的典型科学家工具组合。 在同一个底层模型 Claude Opus 5 上，Periodic 自建的科学工具环境在 FrontierXRD 上的 XRD 分析成功率是 Claude Code 加开源数据库与软件的 3.8 倍，单次分析成本相近。
启示与展望
已展示的范围是粉末 XRD 物相与比例分析：FrontierXRD 的 134 个样品来自其实验室，另在 198 个留出化学体系的实验测量上做了泛化评测。读者对象是关心材料发现自动化与科学智能体的研究人员；材料提到将继续把训练扩展到实验室更广泛的科学工作流。
FrontierXRD 是内部评测集，成功与否由 LLM 评委团判定，评委与人类专家的一致率低于人类专家彼此的一致率。留出化学体系的评测比 FrontierXRD 更容易，作者也说明训练算力远低于前沿模型所报告的规模。