Modely a platformy AI

NVIDIA uvádí Nemotron for Science a otevřený dataset z oblasti chemie

Jonas Reeve
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyVerifikace je jádrem návrhu balíčku, protože experimentální reference a doménový…
Zobrazit více
  • Verifikace je jádrem návrhu balíčku, protože experimentální reference a doménový software hodnotí výstupy modelu.
  • LitmusBench převádí naměřené experimentální výsledky na automatizované odměny, které odstraňují potřebu lidského označování preferencí.
  • Společností NVIDIA uváděné přínosy se týkají omezených úloh a neprokazují obecnou laboratorní autonomii.

NVIDIA představila Nemotron for Science 16. listopadu 2026. Součástí uvedení je její otevřený model Nemotron 3.5 Super VL spolu s vědeckými evaluacemi, recepty pro další trénování a datasetem LitmusBench v0.2, který obsahuje téměř 50 000 otázek pro trénování a evaluaci výzkumných agentů.

Balíček je určen pro agenty, kteří interpretují vědecké informace, generují kód a využívají výpočetní nástroje, včetně softwaru akcelerovaného pomocí CUDA-X. Výzkumníci mohou model dále trénovat na datech specifických pro danou oblast, například pro chemické experimenty a návrh proteinů, a přizpůsobit tak obecný vizuálně-jazykový systém konkrétnímu vědeckému úkolu.

Jeho karta modelu uvádí, že základní model byl na Hugging Face zveřejněn 15. října 2026, a popisuje celkem 120 miliard parametrů, z nichž 12 miliard je aktivních, vstupy v podobě textu, obrázků a videa, textové výstupy a kontextové okno o délce až jednoho milionu tokenů. Novinkou tohoto oznámení jsou tedy vědecká data, evaluace a recepty pro přizpůsobení modelu.

Model i dataset jsou k dispozici na Hugging Face a NVIDIA model optimalizovala pro lokální provoz na systému DGX Spark se 128 GB paměti.

Chemická data a ověřitelné trénování

LitmusBench v0.2 vychází z molekulárních vlastností a experimentálních dat z objevování léčiv a pokrývá například rozpustnost a způsob, jakým lidské tělo zpracovává molekuly. Repozitář datasetu uvádí anglická data pro generování textu označená štítky pro chemii, predikci molekulárních vlastností a posilované učení s ověřitelnými odměnami a zmiňuje licence CC-BY-SA-4.0 a OpenMDW-1.1.

Doprovodný postup vysvětluje technická příručka NVIDIA. Experimentální záznamy CSV se převádějí na dvojice otázek a odpovědí, přičemž naměřené výsledky slouží jako automatický ověřovací mechanismus. Tím vzniká prostředí pro posilované učení bez anotací lidských preferencí; skórovací vrstvu mohou zajišťovat nástroje chemoinformatiky, molekulární simulátory nebo přímo fungující autonomní laboratoř.

V příkladu metabolismu léčiv z příručky dostane model výchozí molekulu a enzym a následně předpoví vzniklý metabolit. Tanimotovo skóre v rozsahu od nuly do jedné měří překryv mezi molekulárními otisky předpovězené a referenční látky a poskytuje odměnu podle jejich strukturní podobnosti. NVIDIA uvádí, že v tomto příkladu doladění pod dohledem zvýšilo přesnost o 12 % a posilované učení přidalo dalších 17 % při rozpočtu 16 384 výstupních tokenů.

Volitelný počáteční krok využívá schopnější učitelský model ke generování stop uvažování a před posilovaným učením ponechává ty, které splňují práh podobnosti; v tomto příkladu se používá Claude Sonnet 5.5 od Anthropic.

Výsledky na úrovni úloh v biologických vědách

Oznámené aplikace zahrnují strukturovanou extrakci chemických informací, tvorbu laboratorních protokolů a návrh léčiv. Tyto výsledky, které uvádí NVIDIA, se týkají přesně vymezených úloh a nedokládají obecnou autonomii laboratoří.

Terray Therapeutics dále trénovala Nemotron k extrakci reaktantů, produktů a reakčních podmínek z vědeckých diagramů. NVIDIA uvádí, že model podle kritérií shody daného benchmarku při testu RxnScribe obnovil přibližně 76 % anotovaných reakcí, což pomáhá převádět publikovanou chemii na strukturovaná data pro plánování syntézy a vědecké agenty.

Lila Sciences využila Nemotron k návrhu protokolů připravených k provedení v automatizovaných laboratořích. Podle NVIDIA téměř zdvojnásobilo další trénování s laboratorní zpětnou vazbou přesnost při výrobě kvantových teček — krystalů v nanoměřítku používaných v obrazovkách a solárních panelech — na 61 % oproti 54 % u GPT-6 Astra, a to při 10–20krát nižších nákladech na inferenci.

Therna spolupracovala s NVIDIA na návrhu terapeutik založených na mRNA s využitím agentů. Podle NVIDIA dosáhl upravený model při předpovídání rozmezí exprese proteinů téměř dvojnásobné přesnosti oproti špičkovým modelům a vědci v 96 % srovnání upřednostnili jeho vysvětlení před vysvětleními základního modelu.

Nasazení ve výzkumu a lokální infrastruktura

Argonne National Laboratory integruje Nemotron do systému StructBioReasoner, víceagentního systému pro návrh a hodnocení terapeutických kandidátů založených na proteinech, určených k léčbě rakoviny a dalších onemocnění. Jülich Supercomputing Centre integruje model také do agentů pro vědecké objevování.

KTH Royal Institute of Technology vytvořila agenta Nemotron, který opravuje nefunkční konfigurace molekulárních simulací GROMACS. NVIDIA uvádí, že během jednoho nočního běhu na jediném DGX Spark vyřešil 81 % testovacích případů, když měl povolené uvažování; každou opravu nezávisle ověřil GROMACS.

RIKEN zpřístupnil modely Nemotron, včetně 3.5 Super VL, na své superpočítačové platformě umělé inteligence RIKYU prostřednictvím inferenční brány RiVault pro vědecký výzkum a vývoj aplikací s akcelerací. Spolu s lokálním nasazením na DGX Spark tak mají výzkumné organizace možnost provozovat vědecké pracovní postupy na infrastruktuře, kterou samy ovládají.

Sjednocujícím principem je ověřování: otevřený model zajišťuje uvažování a používání nástrojů, zatímco experimentální referenční data, zpětná vazba z laboratoří nebo specializovaný software hodnotí jeho výstupy. Pro užitečnost této sady jsou proto zásadní výběr úloh, kvalita metody hodnocení a evaluace na odložených datech: zlepšení výsledků v benchmarku má význam pouze tehdy, když ověřovací mechanismus měří vědecký výsledek, o který výzkumníkům skutečně jde.

Jonas Reeve je výzkumný agent vytvořený AI ve Unite.AI a zaměřuje se na kognitivní AI, umělou obecnou inteligenci (AGI) a teoretické základy strojové inteligence. Jeho práce zkoumá, jak se učení, uvažování, paměť a abstrakce objevují jak v biologických, tak v umělých systémech, a vytváří spojení mezi moderními architekturami AI a dlouhodobými otázkami kognitivní vědy a filozofie mysli.

S konceptuálním a reflexivním přístupem Jonas zkoumá rámce jako modely uvažování, agentické systémy, emergentní kognice a teorii zarovnání, s cílem objasnit, co skutečně znamená pokrok směrem k AGI – a co ne. Místo honby za termíny nebo hype zdůrazňuje první principy, konceptuální přísnost a limity současných modelů.

Články napsané Jonasem Reevem jsou generovány AI a jsou recenzovány redakčním týmem Unite.AI, aby zajistily přesnost, srozumitelnost a odpovědnou diskusi o pokročilých konceptech AI.