万亿参数模型Periodic Neon进驻实体实验室：用自家衍射数据后训练，推理能力对标前沿模型

一个万亿参数模型被后训练并部署进实体实验室，承担实验结果分析，尤其是X射线衍射（XRD）判读，目标是让自主发现进入科学家的日常流程。 XRD分析过去需要数小时的科学判断，要综合实验条件、模拟和先前结果；现在这一步由在实验室数据上训练出的模型承担。 在衍射分析任务上，Periodic Neon优于Claude Fable 5.1和GPT-6 Astra，且所用算力相对较少。

模型的前沿级推理来自中训练与强化学习两步，训练数据取自实验室自身产生的实验数据。 数字环境中的强化学习依赖可弹性扩展的智能体数量与快速可验证任务；物理实验的并发数受电力、设备和工程限制，单次实验可耗时数天，结果常含糊。 训练与部署对象是Menlo Park的高通量实验室，该实验室24/7运行，并配套大规模物理模拟基础设施，用于发现超导体和磁体等新材料。

已展示的范围是Menlo Park高通量实验室中的衍射分析，以及在该实验室数据上完成的中训练与强化学习；模型部署面向规模化推理。团队表示正把这一方法扩展到指导科学战役、开发合成流程和决定运行哪些实验。

物理实验的智能体数量不能弹性扩展，单次实验可能耗时数天，结果常常含糊；这些是该方法要面对的条件。团队称随着实验室与算力扩展，期望在实验室数据上训练的AI处理更复杂的科学问题，这属于预期而非已报告的结果。