Μοντέλα και πλατφόρμες AI
Η NVIDIA λανσάρει το Nemotron for Science και ένα ανοικτό σύνολο δεδομένων χημείας

Βασικά σημείαΗ επαλήθευση αποτελεί τον πυρήνα του σχεδιασμού του πακέτου, διότι οι πειραματικές…
Δείτε περισσότερα
- Η επαλήθευση αποτελεί τον πυρήνα του σχεδιασμού του πακέτου, διότι οι πειραματικές αναφορές και το λογισμικό τομέα βαθμολογούν τις εξόδους του μοντέλου.
- Το LitmusBench μετατρέπει μετρημένα πειραματικά αποτελέσματα σε αυτοματοποιημένες ανταμοιβές που εξαλείφουν την ανάγκη για ανθρώπινη επισήμανση προτιμήσεων.
- Τα αναφερόμενα κέρδη της NVIDIA καλύπτουν περιορισμένα καθήκοντα και δεν τεκμηριώνουν γενική εργαστηριακή αυτονομία.
Η NVIDIA παρουσίασε το Nemotron for Science στις 16 Νοεμβρίου 2026, συνδυάζοντας το ανοικτό Nemotron 3.5 Super VL με επιστημονικές αξιολογήσεις, συνταγές μεταγενέστερης εκπαίδευσης και το LitmusBench v0.2, ένα σύνολο δεδομένων χημείας που περιλαμβάνει σχεδόν 50.000 ερωτήσεις για την εκπαίδευση και την αξιολόγηση ερευνητικών πρακτόρων.
Το πακέτο προορίζεται για πράκτορες που ερμηνεύουν επιστημονικές πληροφορίες, παράγουν κώδικα και καλούν υπολογιστικά εργαλεία, μεταξύ των οποίων λογισμικό επιταχυνόμενο από το CUDA-X. Οι ερευνητές μπορούν να εφαρμόσουν μεταγενέστερη εκπαίδευση στο μοντέλο με δεδομένα ειδικά για κάθε πεδίο, για εργασίες όπως τα πειράματα χημείας και ο σχεδιασμός πρωτεϊνών, προσαρμόζοντας ένα γενικό σύστημα όρασης-γλώσσας σε συγκεκριμένα επιστημονικά έργα.
Η κάρτα μοντέλου αναφέρει ότι το υποκείμενο μοντέλο κυκλοφόρησε στο Hugging Face στις 15 Οκτωβρίου 2026 και περιγράφει 120 δισεκατομμύρια συνολικές παραμέτρους, 12 δισεκατομμύρια ενεργές παραμέτρους, εισόδους κειμένου, εικόνας και βίντεο, εξόδους κειμένου και παράθυρο συμφραζομένων έως και ενός εκατομμυρίου token. Επομένως, το νέο περιεχόμενο της ανακοίνωσης αφορά τα επιστημονικά δεδομένα, τις αξιολογήσεις και τις συνταγές προσαρμογής.
Το μοντέλο και το σύνολο δεδομένων διατίθενται στο Hugging Face, ενώ η NVIDIA έχει βελτιστοποιήσει το μοντέλο ώστε να εκτελείται τοπικά σε σύστημα DGX Spark με μνήμη 128 GB.
Δεδομένα χημείας και επαληθεύσιμη εκπαίδευση
Το LitmusBench v0.2 βασίζεται σε μοριακές ιδιότητες και πειραματικά δεδομένα ανακάλυψης φαρμάκων και καλύπτει χαρακτηριστικά όπως η διαλυτότητα και ο τρόπος με τον οποίο το ανθρώπινο σώμα επεξεργάζεται τα μόρια. Το αποθετήριο του συνόλου δεδομένων προσδιορίζει δεδομένα παραγωγής αγγλικού κειμένου με ετικέτες για τη χημεία, την πρόβλεψη μοριακών ιδιοτήτων και την ενισχυτική μάθηση με επαληθεύσιμες ανταμοιβές, ενώ αναφέρει τις άδειες CC-BY-SA-4.0 και OpenMDW-1.1.
Ένας τεχνικός οδηγός της NVIDIA εξηγεί τη συνοδευτική διαδικασία. Οι πειραματικές εγγραφές CSV μετατρέπονται σε ζεύγη ερώτησης-απάντησης, με τα μετρημένα αποτελέσματά τους να λειτουργούν ως αυτοματοποιημένος επαληθευτής. Έτσι δημιουργείται ένα περιβάλλον ενισχυτικής μάθησης χωρίς ανθρώπινη επισήμανση προτιμήσεων· τα εργαλεία χημειοπληροφορικής, οι μοριακοί προσομοιωτές ή ένα ενεργό αυτόνομο εργαστήριο μπορούν να παρέχουν το επίπεδο βαθμολόγησης.
Στο παράδειγμα μεταβολισμού φαρμάκων του οδηγού, το μοντέλο λαμβάνει ένα αρχικό μόριο και ένα ένζυμο και στη συνέχεια προβλέπει τον μεταβολίτη που προκύπτει. Μια βαθμολογία Tanimoto από 0 έως 1 μετρά την επικάλυψη μεταξύ των μοριακών αποτυπωμάτων που προβλέφθηκαν και εκείνων αναφοράς, παρέχοντας ανταμοιβή με βάση τη δομική ομοιότητα. Η NVIDIA αναφέρει ότι, στο συγκεκριμένο παράδειγμα, η εποπτευόμενη λεπτομερής ρύθμιση βελτίωσε την ακρίβεια κατά 12%, ενώ η ενισχυτική μάθηση προσέθεσε επιπλέον 17%, με προϋπολογισμό εξόδου 16.384 token.
Μια προαιρετική αρχική φάση προθέρμανσης χρησιμοποιεί έναν ισχυρότερο δάσκαλο για να δημιουργήσει ίχνη συλλογισμού και διατηρεί όσα ικανοποιούν το όριο ομοιότητας πριν από την ενισχυτική μάθηση· στο παράδειγμα χρησιμοποιείται το Claude Sonnet 5.5 της Anthropic.
Αποτελέσματα σε επίπεδο εργασιών στις βιοεπιστήμες
Οι εφαρμογές που ανακοινώθηκαν καλύπτουν τη δομημένη εξαγωγή χημικών πληροφοριών, τη δημιουργία εργαστηριακών πρωτοκόλλων και τον θεραπευτικό σχεδιασμό. Αυτά τα αποτελέσματα, όπως αναφέρονται από την NVIDIA, αφορούν συγκεκριμένες, οριοθετημένες εργασίες και δεν τεκμηριώνουν γενική αυτονομία εργαστηρίου.
Η Terray Therapeutics εφάρμοσε μεταγενέστερη εκπαίδευση στο Nemotron, ώστε να εξάγει αντιδρώντα, προϊόντα και συνθήκες αντίδρασης από επιστημονικά διαγράμματα. Η NVIDIA αναφέρει ότι το μοντέλο ανέκτησε περίπου το 76% των επισημασμένων αντιδράσεων στη δοκιμή RxnScribe, σύμφωνα με τα κριτήρια αντιστοίχισης του συγκεκριμένου σημείου αναφοράς, συμβάλλοντας στη μετατροπή της δημοσιευμένης χημικής γνώσης σε δομημένα δεδομένα για τον σχεδιασμό συνθέσεων και τους επιστημονικούς πράκτορες.
Η Lila Sciences χρησιμοποίησε το Nemotron για να σχεδιάσει πρωτόκολλα έτοιμα προς εκτέλεση στα αυτοματοποιημένα εργαστήριά της. Σύμφωνα με την NVIDIA, η μεταγενέστερη εκπαίδευση με εργαστηριακή ανατροφοδότηση σχεδόν διπλασίασε την ακρίβεια στην παρασκευή κβαντικών κουκκίδων —νανοκρυστάλλων που χρησιμοποιούνται σε οθόνες και ηλιακά πάνελ— ανεβάζοντάς την στο 61%, έναντι 54% για το GPT-6 Astra, με κόστος συμπερασματολογίας 10–20 φορές χαμηλότερο.
Η Therna συνεργάστηκε με την NVIDIA στον σχεδιασμό θεραπευτικών λύσεων mRNA με χρήση πρακτόρων. Σύμφωνα με την NVIDIA, το προσαρμοσμένο μοντέλο πέτυχε σχεδόν διπλάσια ακρίβεια από τα μοντέλα αιχμής στην πρόβλεψη των εύρων έκφρασης πρωτεϊνών, ενώ οι επιστήμονες προτίμησαν τις εξηγήσεις του από εκείνες του βασικού μοντέλου στο 96% των συγκρίσεων.
Ερευνητικές εφαρμογές και τοπική υποδομή
Το Argonne National Laboratory ενσωματώνει το Nemotron στο StructBioReasoner, ένα σύστημα πολλαπλών πρακτόρων για τον σχεδιασμό και την αξιολόγηση θεραπευτικών υποψηφίων με βάση πρωτεΐνες για τον καρκίνο και άλλες ασθένειες. Το Jülich Supercomputing Centre ενσωματώνει επίσης το μοντέλο σε πράκτορες επιστημονικής ανακάλυψης.
Το KTH Royal Institute of Technology δημιούργησε έναν πράκτορα Nemotron για την επιδιόρθωση κατεστραμμένων διαμορφώσεων μοριακής δυναμικής του GROMACS. Η NVIDIA αναφέρει ότι ο πράκτορας επιδιόρθωσε το 81% των περιπτώσεων δοκιμής, με ενεργοποιημένη τη συλλογιστική, κατά τη διάρκεια μίας ολονύκτιας εκτέλεσης σε ένα μόνο DGX Spark, ενώ κάθε επιδιόρθωση ελέγχθηκε ανεξάρτητα από το GROMACS.
Το RIKEN διαθέτει μοντέλα Nemotron, μεταξύ των οποίων το 3.5 Super VL, στην υπερυπολογιστική πλατφόρμα τεχνητής νοημοσύνης RIKYU μέσω της πύλης συμπερασματολογίας RiVault, για επιστημονική έρευνα και ανάπτυξη εφαρμογών με επιτάχυνση. Μαζί με τις τοπικές εγκαταστάσεις DGX Spark, αυτό προσφέρει στους ερευνητικούς οργανισμούς τη δυνατότητα να εκτελούν επιστημονικές ροές εργασίας σε υποδομές που ελέγχουν οι ίδιοι.
Η επαλήθευση αποτελεί την ενοποιητική αρχή του σχεδιασμού: το ανοιχτό μοντέλο παρέχει δυνατότητες συλλογισμού και χρήσης εργαλείων, ενώ πειραματικά δεδομένα αναφοράς, εργαστηριακή ανατροφοδότηση ή εξειδικευμένο λογισμικό βαθμολογούν τα αποτελέσματά του. Έτσι, η επιλογή των εργασιών, η ποιότητα της μεθόδου βαθμολόγησης και η αξιολόγηση σε δεδομένα που δεν χρησιμοποιήθηκαν για την ανάπτυξη του μοντέλου καθορίζουν σε μεγάλο βαθμό τη χρησιμότητα του πακέτου: η βελτίωση σε ένα σημείο αναφοράς έχει σημασία μόνο όταν ο μηχανισμός επαλήθευσης μετρά το επιστημονικό αποτέλεσμα που επιδιώκουν πράγματι οι ερευνητές.












