AI-modeller og platforme

NVIDIA lancerer Nemotron til videnskab og åbent kemidatasæt

Jonas Reeve
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterVerifikation er pakkens kerne-design, fordi eksperimentelle referencer og…
Vis mere
  • Verifikation er pakkens kerne-design, fordi eksperimentelle referencer og domænesoftware scorer modellens output.
  • LitmusBench omdanner målte eksperimentelle resultater til automatiserede belønninger, der fjerner behovet for menneskelig præferencemærkning.
  • NVIDIAs rapporterede gevinster dækker afgrænsede opgaver og etablerer ikke generel laboratorieautonomi.

NVIDIA præsenterede Nemotron til videnskab den 16. november 2026 og kombinerede sin åbne Nemotron 3.5 Super VL-model med videnskabelige evalueringer, opskrifter på eftertræning og LitmusBench v0.2, et kemidatasæt med næsten 50.000 spørgsmål til træning og evaluering af forskningsagenter.

Pakken er beregnet til agenter, der fortolker videnskabelig information, genererer kode og bruger beregningsværktøjer, herunder CUDA-X-accelereret software. Forskere kan eftertræne modellen med domænespecifikke data til opgaver som kemieksperimenter og proteindesign og dermed tilpasse et generelt system til syn og sprog til en bestemt videnskabelig opgave.

Modellens modelkort angiver, at den underliggende model blev udgivet på Hugging Face den 15. oktober 2026, og beskriver 120 milliarder parametre i alt, 12 milliarder aktive parametre, tekst-, billed- og videoinput, tekstoutput og et kontekstvindue på op til en million tokens. De videnskabelige data, evalueringerne og opskrifterne på tilpasning udgør derfor det nye indhold i denne annoncering.

Modellen og datasættet er tilgængelige på Hugging Face, og NVIDIA har optimeret modellen til lokal kørsel på et 128 GB DGX Spark-system.

Kemidata og verificerbar træning

LitmusBench v0.2 bygger på molekylære egenskaber og eksperimentelle data fra lægemiddeludvikling og dækker blandt andet egenskaber som opløselighed og den måde, menneskekroppen omsætter molekyler på. Datasættets arkiv angiver, at der er tale om engelsksprogede tekstgenereringsdata, mærket til kemi, forudsigelse af molekylære egenskaber og forstærkningslæring med verificerbare belønninger, og anfører licenserne CC-BY-SA-4.0 og OpenMDW-1.1.

En teknisk vejledning fra NVIDIA forklarer den tilhørende opskrift. Eksperimentelle CSV-poster omdannes til spørgsmål-og-svar-par, hvor de målte resultater fungerer som automatisk verifikator. Det skaber et miljø for forstærkningslæring uden menneskelig præferencemærkning; kemoinformatikværktøjer, molekylære simulatorer eller et aktivt, autonomt laboratorium kan levere scoringslaget.

I vejledningens eksempel på lægemiddelomsætning får modellen et udgangsmolekyle og et enzym og forudsiger derefter det resulterende metabolit. En Tanimoto-score fra nul til én måler overlap mellem de forudsagte og de referencemolekylære fingeraftryk og giver en belønning baseret på strukturel lighed. NVIDIA oplyser, at superviseret finjustering i dette eksempel forbedrede nøjagtigheden med 12 %, og at forstærkningslæring gav yderligere 17 % ved et outputbudget på 16.384 tokens.

En valgfri opstart med varm start bruger en stærkere lærermodel til at generere ræsonnementsspor og beholder dem, der opfylder lighedstærsklen, før forstærkningslæringen; i eksemplet bruges Anthropic’s Claude Sonnet 5.5.

Resultater på opgaveniveau inden for biovidenskab

De annoncerede anvendelser omfatter struktureret kemisk dataudtræk, generering af laboratorieprotokoller og terapeutisk design. Disse resultater, som NVIDIA rapporterer, vedrører afgrænsede opgaver og dokumenterer ikke generel laboratorieautonomi.

Terray Therapeutics eftertrænede Nemotron til at udtrække reaktanter, produkter og reaktionsbetingelser fra videnskabelige diagrammer. NVIDIA oplyser, at modellen genfandt omkring 76 % af de annoterede reaktioner i RxnScribe-testen efter denne benchmarks matchningskriterier, hvilket hjælper med at omdanne offentliggjort kemi til strukturerede data til synteseplanlægning og videnskabelige agenter.

Lila Sciences brugte Nemotron til at udforme protokoller, der var klar til udførelse i virksomhedens automatiserede laboratorier. Ifølge NVIDIA næsten fordoblede eftertræning med laboratoriefeedback nøjagtigheden ved fremstilling af kvanteprikker — nanokrystaller, der bruges i skærme og solpaneler — til 61 % sammenlignet med GPT-6 Astra’s 54 %, samtidig med at inferensomkostningerne var 10–20 gange lavere.

Therna samarbejdede med NVIDIA om agentbaseret design af mRNA-terapier. Ifølge NVIDIA opnåede den finjusterede model næsten dobbelt så høj nøjagtighed som de mest avancerede modeller, når den forudsagde intervaller for proteinekspression, og forskerne foretrak dens forklaringer frem for grundmodellens i 96 % af sammenligningerne.

Forskningsimplementeringer og lokal infrastruktur

Argonne National Laboratory integrerer Nemotron i StructBioReasoner, et multiagentsystem til design og evaluering af proteinbaserede terapeutiske kandidater mod kræft og andre sygdomme. Jülich Supercomputing Centre integrerer også modellen i agenter til videnskabelig opdagelse.

KTH Royal Institute of Technology byggede en Nemotron-agent til at reparere defekte GROMACS-opsætninger til molekylær dynamik. NVIDIA oplyser, at agenten rettede 81 % af testtilfældene med ræsonnement aktiveret under én natlig kørsel på én DGX Spark, og at GROMACS uafhængigt kontrollerede hver rettelse.

RIKEN har gjort Nemotron-modeller, herunder 3.5 Super VL, tilgængelige på sin RIKYU AI-supercomputerplatform via inferensgatewayen RiVault til videnskabelig forskning og udvikling af accelererede applikationer. Sammen med lokale DGX Spark-implementeringer giver det forskningsorganisationer mulighed for at køre videnskabelige arbejdsgange på infrastruktur, de selv kontrollerer.

Det samlende princip er verifikation: Den åbne model står for ræsonnering og brug af værktøjer, mens eksperimentelle referencer, feedback fra laboratoriet eller fagspecifik software vurderer dens output. Derfor er valg af opgaver, kvaliteten af vurderingsmetoden og evaluering på data, der ikke indgår i træningen, afgørende for pakkens anvendelighed: En forbedring på en benchmark er kun relevant, hvis verifikatoren måler det videnskabelige resultat, forskerne faktisk ønsker.

Jonas Reeve er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, med fokus på kognitiv AI, kunstig generel intelligens (AGI) og de teoretiske grundlag for maskinintelligens. Hans arbejde undersøger, hvordan læring, ræsonnement, hukommelse og abstraktion opstår i både biologiske og kunstige systemer, og trækker forbindelser mellem moderne AI-arkitekturer og langvarige spørgsmål inden for kognitiv videnskab og sindets filosofi.

Med en konceptuel og reflekterende tilgang undersøger Jonas rammer som ræsonneringsmodeller, agentbaserede systemer, emergent kognition og justeringsteori, med det formål at tydeliggøre, hvad fremskridt mod AGI faktisk betyder – og hvad det ikke gør. I stedet for at jagte tidslinjer eller hype lægger han vægt på første principper, konceptuel stringens og begrænsningerne i de nuværende modeller.

Artikler skrevet af Jonas Reeve er AI-genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, klarhed og ansvarlig diskussion af avancerede AI-koncepter.