Periodic Labs a annoncé Periodic Neon aujourd'hui : un modèle de mille milliards de paramètres post-entraîné sur des données issues des propres laboratoires physiques à haut débit de l'entreprise à Menlo Park, déployé pour interpréter des résultats de diffraction des rayons X (XRD) issus d'expériences réelles. Ce blog avait dressé le portrait détaillé de Periodic en juillet, à une époque où elle représentait essentiellement toute la part matériaux du budget « vertical scientifique » des laboratoires de pointe, et concluait par une prédiction : « chaque laboratoire de pointe possédera sa propre capacité de laboratoire humide d'ici la fin de 2027... le cercle vertueux de l'expérience propriétaire est trop évidemment la douve défensive. » Le lancement d'aujourd'hui est le premier tour public de ce cercle vertueux — une entreprise qui utilise ses propres expériences physiques pour entraîner un modèle, puis utilise ce modèle pour décider quelle expérience mener ensuite.
Qui est derrière tout cela, et ce dans quoi chacun excelle déjà
Periodic a été fondée par Liam Fedus, ancien responsable du post-entraînement chez OpenAI et l'un des créateurs de ChatGPT, et Ekin Dogus Cubuk, ancien responsable de la recherche en chimie et physique chez DeepMind et coauteur de GNoME — l'article publié dans Nature en 2023 qui utilisait des réseaux de neurones sur graphes pour prédire par le calcul 2,2 millions de nouvelles structures cristallines candidates. Cette association n'est pas anodine : Cubuk avait déjà bâti chez DeepMind la moitié numérique de cette même idée (exploiter le calcul pour trouver de nouveaux candidats matériaux), et l'argumentaire de Periodic est la moitié physique — de vrais laboratoires générant de vraies données expérimentales qu'un modèle numérique ne peut obtenir d'aucune autre façon, bouclant une boucle que l'approche même de GNoME ne pouvait pas boucler seule. L'entreprise a levé environ 300 millions de dollars auprès d'Andreessen Horowitz, Felicis, DST Global, NVentures (le fonds de capital-risque de NVIDIA) et Accel, avec des informations plus tôt cette année évoquant un tour supplémentaire de 500 millions de dollars en cours, à une valorisation de 7,5 milliards de dollars.
L'affirmation de domination au sens de Pareto, vérifiée sur le graphique lui-même
Le propre cadrage de Periodic est précis : son infrastructure lui permet d'« entraîner des modèles spécialisés qui dominent au sens de Pareto des modèles de pointe, dont GPT-6 Astra et Claude Fable 5.1, sur nos évaluations de diffraction des rayons X ». C'est une affirmation forte, qui mérite d'être vérifiée sur le graphique publié plutôt que prise pour argent comptant. En lisant les points réels : le meilleur réglage de Periodic Neon (xhigh) atteint environ 54 % de réussite pour environ 4,30 $ par problème. Le meilleur réglage de GPT-6 Astra (max) atteint environ 53 % — essentiellement à égalité avec Neon sur le taux de réussite, mais pour environ 8,40 $, presque le double du coût. Tous les autres points de GPT-6 Astra et de Claude Fable 5.1 sur le graphique se situent en dessous et à droite de la courbe de Neon — une réussite plus faible pour un coût plus élevé, à chaque réglage comparable. C'est, réellement, une domination au sens de Pareto : aucun point rival ne bat Neon sur les deux axes à la fois. Une anomalie mérite d'être relevée pour elle-même : la courbe de Claude Opus 5 chute en réalité de 35 % de réussite à son réglage « xhigh » à 28 % à « max » — payer pour l'effort de raisonnement le plus élevé fait moins bien performer Opus 5 sur cette tâche précise, un résultat réel et spécifique dans le propre graphique de Periodic, pas un artefact de la lecture qu'en fait ce billet.
Le modèle de base n'est pas celui qu'on supposerait, et c'est là la vraie histoire
Voici le détail qui mérite qu'on s'y attarde. Le billet d'infrastructure de Periodic indique clairement que Neon provient d'un mi-entraînement et d'un apprentissage par renforcement appliqués sur Kimi K2.6 — le modèle à poids ouverts de mille milliards de paramètres de Moonshot AI, sorti en avril 2026. L'autre modèle de Moonshot, plus grand, Kimi K3, un modèle de 2,8 000 milliards de paramètres que ce blog avait couvert lors de son propre lancement en juillet, n'est pas le modèle de base — il n'apparaît dans le graphique de benchmark de Periodic que comme un unique point de référence, testé sans la courbe par niveau d'effort dont bénéficie chaque autre modèle du graphique, situé au point le plus coûteux de tout le graphique (environ 8,50 $) avec un taux de réussite d'environ 40 %. Lu sans détour : le propre modèle ouvert de Moonshot, plus récent, plus grand et plus coûteux, exécutant cette tâche directement, coûte plus cher et performe moins bien que l'affinage spécialisé que Periodic a fait du modèle plus petit et plus ancien de Moonshot. C'est une démonstration plus nette de « la spécialisation étroite bat l'échelle brute » que ce que la plupart des graphiques de fournisseurs parviennent à produire, et cela survient trois jours après que ce blog a couvert le même argument structurel dans le lancement de Jev par TypeSafe — une entreprise différente, un domaine différent, le même pari structurel : un petit modèle finement ajusté sur une tâche étroite et bien définie bat un modèle général plus grand exécutant la tâche à froid.
Le second graphique rend concrète l'ampleur de cet écart. Avant tout post-entraînement, le propre score de base de Kimi K2.6 sur la tâche XRD de Periodic se situe à environ 3 % de réussite. Après une montée en puissance de l'apprentissage par renforcement sur les propres données de laboratoire de Periodic, le modèle affiné dépasse le score de base brut de Kimi K3 (18 %) tôt dans la courbe de calcul d'entraînement, et continue de grimper jusqu'à environ 57 % au calcul d'entraînement le plus élevé et à l'effort de raisonnement à l'inférence le plus élevé montrés — une amélioration de près de 19 fois par rapport au point de départ non entraîné. Le calcul au moment de l'inférence compte presque autant que le calcul d'entraînement ici : à chaque point de la courbe, le réglage « calcul d'inférence élevé » bat le réglage « faible » par une marge large et assez constante, confirmant qu'à quel point le modèle est autorisé à réfléchir intensément au moment de répondre accomplit un travail réel et distinct de ce qu'il a appris pendant l'entraînement.
Les affirmations sur l'infrastructure sont plus transparentes que la plupart, à une exception près
Le billet d'infrastructure qui accompagne l'annonce est étonnamment précis pour un billet de fournisseur : un débit d'entraînement 4,1 fois supérieur face à une base Megatron précisée (dont le propre réglage de la base est documenté en note de bas de page), une vitesse d'inférence 2,5 fois supérieure face à SGLang, et des demandes d'intégration (pull requests) concrètes réellement remontées vers les projets open source sur lesquels l'entreprise s'appuie — la PR SGLang #24851 pour la relecture différentielle du routeur, la PR Miles #1371 pour le reformatage rapide des poids. Ce sont des affirmations vérifiables au sens littéral : n'importe qui peut aller consulter les PR liées et voir ce qui a été livré. La comparaison sur le sandboxing conserve cette même rigueur de mesure — 4 exécutions, des barres d'erreur montrant le minimum et le maximum, un test précis sur 100 sandboxes — mais abandonne la convention de nommage suivie partout ailleurs dans le billet : le rival n'est jamais que « un fournisseur de sandbox de pointe », jamais nommé. Chaque autre comparaison du billet nomme sa base de référence (Megatron, SGLang, Kimi K2.6, Kimi K3, GPT-6 Astra, Claude Fable 5.1) ; la seule comparaison qui ne le fait pas est aussi celle qui se mesure à un produit commercial avec lequel Periodic entretient vraisemblablement encore une relation, ou un intérêt à ne pas nommer directement.
NVIDIA est à la fois investisseur, fournisseur et partenaire d'ingénierie dans le même billet
Cela mérite d'être dit clairement, de la même façon que ce blog l'a fait pour chaque autre relation laboratoire-matériel ce mois-ci : le bras de capital-risque de NVIDIA, NVentures, est un investisseur nommé de Periodic. Toute la pile de calcul décrite — 1 300 GPU H200 au pic, les optimisations de mémoire et de débit — tourne sur du matériel NVIDIA. Et le billet d'infrastructure crédite directement « l'équipe NVIDIA DevTech » pour avoir codéveloppé le déchargement fragmenté de l'optimiseur, désormais fusionné dans la branche de développement même de Megatron-LM. Rien de tout cela ne rend les résultats techniques faux — que de vrais ingénieurs de NVIDIA aient contribué du code réel et remonté en amont est une affirmation concrète et vérifiable, pas une simple mention de partenariat vague — mais qu'un financeur, un fournisseur de matériel et un collaborateur d'ingénierie nommé soient tous la même entreprise, à l'intérieur d'une seule annonce d'infrastructure, est exactement le genre de recoupement qui mérite d'être énoncé franchement plutôt que laissé implicite.
Ce que cela signifie réellement
Comparé à la prédiction que ce blog avait faite sur Periodic en juillet — que le cercle vertueux de l'expérience propriétaire deviendrait la douve défensive par défaut pour tout laboratoire sérieux sur l'IA appliquée à la science —, le lancement d'aujourd'hui relève davantage de la confirmation que de la surprise. Ce qui est plus intéressant que la confirmation elle-même, c'est la forme précise qu'elle a prise : non pas une entreprise affirmant que son modèle de mille milliards de paramètres est plus intelligent en général, mais une entreprise montrant, avec un modèle de base qu'elle nomme sans détour et un modèle rival de la même famille à poids ouverts qu'elle accepte de laisser sous-performer dans son propre graphique, qu'un spécialiste étroit entraîné sur des données auxquelles personne d'autre n'a accès bat des modèles de pointe généralistes sur la seule chose que ce spécialiste doit réellement savoir faire. C'est une affirmation plus modeste et plus précise que « nous avons construit une IA meilleure ». C'est aussi celle pour laquelle cette semaine a offert les preuves les plus directes.