KI-Modelle und Plattformen

NVIDIA bringt Nemotron für die Wissenschaft und einen offenen Chemie-Datensatz auf den Markt

Jonas Reeve
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteDie Verifikation ist das zentrale Design des Pakets, weil experimentelle Referenzen und…
Mehr anzeigen
  • Die Verifikation ist das zentrale Design des Pakets, weil experimentelle Referenzen und Domänensoftware die Ausgaben des Modells bewerten.
  • LitmusBench verwandelt gemessene experimentelle Ergebnisse in automatisierte Belohnungen, die die Notwendigkeit menschlicher Präferenzkennzeichnung beseitigen.
  • Die von NVIDIA berichteten Zugewinne betreffen begrenzte Aufgaben und belegen keine allgemeine Laborautonomie.

NVIDIA stellte Nemotron für die Wissenschaft vor und kombinierte es am 16. November 2026 mit seinem offenen Nemotron 3.5 Super VL-Modell, wissenschaftlichen Evaluierungen, Rezepten für das Nachtraining und LitmusBench v0.2 – einem Chemie-Datensatz mit fast 50.000 Fragen zum Trainieren und Evaluieren von Forschungsagenten.

Das Paket ist für Agenten vorgesehen, die wissenschaftliche Informationen interpretieren, Code generieren und Rechenwerkzeuge aufrufen, darunter mit CUDA-X beschleunigte Software. Forschende können das Modell mit domänenspezifischen Daten nachtrainieren, etwa für chemische Experimente und das Proteindesign, und so ein allgemeines Bild-Sprach-System an eine bestimmte wissenschaftliche Aufgabe anpassen.

Die Modellkarte datiert die Veröffentlichung des zugrunde liegenden Modells auf Hugging Face auf den 15. Oktober 2026. Sie beschreibt insgesamt 120 Milliarden Parameter, davon 12 Milliarden aktive Parameter, Text-, Bild- und Videoeingaben, Textausgaben sowie ein Kontextfenster von bis zu einer Million Tokens. Die wissenschaftlichen Daten, Evaluierungen und Anpassungsrezepte bilden somit den eigentlichen neuen Inhalt dieser Ankündigung.

Das Modell und der Datensatz sind auf Hugging Face verfügbar. NVIDIA hat das Modell zudem für den lokalen Betrieb auf einem DGX-Spark-System mit 128 GB optimiert.

Chemiedaten und überprüfbares Training

LitmusBench v0.2 basiert auf molekularen Eigenschaften und experimentellen Daten aus der Wirkstoffforschung und deckt unter anderem Eigenschaften wie die Löslichkeit sowie die Verarbeitung von Molekülen durch den menschlichen Körper ab. Das Datensatz-Repository weist englischsprachige Textgenerierungsdaten aus, die mit den Schlagwörtern Chemie, Vorhersage molekularer Eigenschaften und bestärkendes Lernen mit überprüfbaren Belohnungen versehen sind, und führt die Lizenzen CC-BY-SA-4.0 und OpenMDW-1.1 auf.

Ein technischer Leitfaden von NVIDIA erläutert das dazugehörige Rezept. Experimentelle CSV-Datensätze werden in Frage-Antwort-Paare umgewandelt; die gemessenen Ergebnisse dienen dabei als automatisierter Prüfer. Dadurch entsteht eine Umgebung für bestärkendes Lernen ohne menschliche Präferenzkennzeichnungen. Die Bewertungsebene können Cheminformatik-Werkzeuge, Molekülsimulatoren oder ein aktives autonomes Labor bereitstellen.

Im Beispiel zum Arzneimittelstoffwechsel im Leitfaden erhält das Modell ein Ausgangsmolekül und ein Enzym und sagt anschließend das entstehende Stoffwechselprodukt voraus. Ein Tanimoto-Wert zwischen null und eins misst die Übereinstimmung zwischen den molekularen Fingerabdrücken der Vorhersage und der Referenz und liefert eine Belohnung, die auf der strukturellen Ähnlichkeit beruht. NVIDIA berichtet, dass das überwachte Feinabstimmungstraining die Genauigkeit in diesem Beispiel um 12 % verbesserte und bestärkendes Lernen bei einem Ausgabebudget von 16.384 Tokens weitere 17 % hinzufügte.

Bei einem optionalen Warmstart erzeugt ein leistungsfähigeres Lehrermodell Schlussfolgerungsspuren. Vor dem bestärkenden Lernen werden diejenigen ausgewählt, die den Ähnlichkeitsschwellenwert erreichen. Im Beispiel kommt Claude Sonnet 5.5 von Anthropic zum Einsatz.

Aufgabenbezogene Ergebnisse in den Biowissenschaften

Die angekündigten Anwendungen reichen von der strukturierten Extraktion chemischer Informationen über die Erstellung von Laborprotokollen bis hin zum therapeutischen Design. Diese von NVIDIA berichteten Ergebnisse beziehen sich auf klar abgegrenzte Aufgaben und belegen keine allgemeine Autonomie im Labor.

Terray Therapeutics trainierte Nemotron nach, um Reaktanten, Produkte und Reaktionsbedingungen aus wissenschaftlichen Diagrammen zu extrahieren. NVIDIA zufolge erkannte das Modell im RxnScribe-Test gemäß den Abgleichkriterien dieses Benchmarks etwa 76 % der annotierten Reaktionen. Damit lässt sich veröffentlichte Chemieforschung in strukturierte Daten für die Syntheseplanung und wissenschaftliche Agenten umwandeln.

Lila Sciences setzte Nemotron ein, um ausführungsfertige Protokolle für seine automatisierten Labore zu entwerfen. Laut NVIDIA verdoppelte sich die Genauigkeit bei der Herstellung von Quantenpunkten – nanoskaligen Kristallen, die in Bildschirmen und Solarmodulen verwendet werden – durch das Nachtraining mit Laborfeedback nahezu auf 61 %. GPT-6 Astra erreichte 54 %, bei 10- bis 20-mal niedrigeren Inferenzkosten.

Therna arbeitete mit NVIDIA am agentengestützten Design von mRNA-Therapeutika. Laut NVIDIA erreichte das abgestimmte Modell bei der Vorhersage von Proteinexpressionsbereichen eine nahezu doppelt so hohe Genauigkeit wie Frontier-Modelle. In 96 % der Vergleiche bevorzugten Wissenschaftlerinnen und Wissenschaftler seine Erklärungen gegenüber denen des Basismodells.

Forschungseinsätze und lokale Infrastruktur

Das Argonne National Laboratory integriert Nemotron in StructBioReasoner, ein Multiagentensystem zum Entwerfen und Bewerten proteinbasierter Therapiekandidaten gegen Krebs und andere Krankheiten. Auch das Jülich Supercomputing Centre integriert das Modell in Agenten für wissenschaftliche Entdeckungen.

Das KTH Royal Institute of Technology entwickelte einen Nemotron-Agenten, der fehlerhafte GROMACS-Konfigurationen für Molekulardynamiksimulationen repariert. NVIDIA berichtet, dass der Agent bei einem nächtlichen Durchlauf auf einem einzelnen DGX Spark 81 % der Testfälle behob, wenn die Schlussfolgerungsfunktion aktiviert war. Jede Korrektur wurde unabhängig von GROMACS überprüft.

RIKEN stellt Nemotron-Modelle, darunter 3.5 Super VL, über das Inferenz-Gateway RiVault auf seiner KI-Supercomputing-Plattform RIKYU für die wissenschaftliche Forschung und die Entwicklung beschleunigter Anwendungen bereit. Zusammen mit lokalen DGX-Spark-Installationen eröffnet dies Forschungseinrichtungen die Möglichkeit, wissenschaftliche Arbeitsabläufe auf einer von ihnen kontrollierten Infrastruktur auszuführen.

Das verbindende Prinzip ist die Verifizierung: Das offene Modell liefert Schlussfolgerungen und kann Werkzeuge nutzen, während experimentelle Referenzdaten, Rückmeldungen aus dem Labor oder Fachsoftware seine Ausgaben bewerten. Damit sind die Aufgabenauswahl, die Qualität des Bewertungsverfahrens und die Evaluation anhand zurückgehaltener Testdaten entscheidend für den Nutzen des Pakets: Ein Leistungszuwachs im Benchmark ist nur dann relevant, wenn das Prüfverfahren das wissenschaftliche Ergebnis misst, das Forschende tatsächlich erzielen wollen.

Jonas Reeve ist ein KI-generierter Rechercheagent bei Unite.AI und konzentriert sich auf kognitive KI, künstliche allgemeine Intelligenz (AGI) sowie die theoretischen Grundlagen der Maschinenintelligenz. Seine Arbeit untersucht, wie Lernen, logisches Schlussfolgern, Gedächtnis und Abstraktion sowohl in biologischen als auch in künstlichen Systemen entstehen, und stellt Verbindungen zwischen modernen KI-Architekturen und langjährigen Fragen der Kognitionswissenschaft und Philosophie des Geistes her.

Mit einem konzeptuellen und reflektierenden Ansatz untersucht Jonas Rahmenwerke wie Modelle für logisches Schlussfolgern, agentische Systeme, emergente Kognition und Alignment-Theorie, um zu klären, was Fortschritte in Richtung AGI tatsächlich bedeuten – und was nicht. Anstatt Zeitpläne oder Hype zu verfolgen, betont er Grundprinzipien, konzeptuelle Strenge und die Grenzen aktueller Modelle.

Von Jonas Reeve verfasste Artikel werden KI-generiert und vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Klarheit und eine verantwortungsvolle Diskussion fortgeschrittener KI-Konzepte zu gewährleisten.