Modelos y plataformas de IA

NVIDIA lanza Nemotron for Science y un conjunto de datos abierto de química

Jonas Reeve
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveLa verificación es el diseño central del paquete porque las referencias experimentales…
Ver más
  • La verificación es el diseño central del paquete porque las referencias experimentales y el software de dominio puntúan las salidas del modelo.
  • LitmusBench convierte los resultados experimentales medidos en recompensas automatizadas que eliminan la necesidad del etiquetado de preferencias humanas.
  • Las ganancias reportadas por NVIDIA abarcan tareas acotadas y no establecen autonomía general de laboratorio.

NVIDIA presentó Nemotron for Science el 16 de noviembre de 2026, junto con su modelo Nemotron 3.5 Super VL de código abierto, evaluaciones científicas, recetas de posentrenamiento y LitmusBench v0.2, un conjunto de datos de química con casi 50.000 preguntas para entrenar y evaluar agentes de investigación.

El paquete está pensado para agentes que interpretan información científica, generan código y utilizan herramientas computacionales, incluido software acelerado con CUDA-X. Los investigadores pueden posentrenar el modelo con datos específicos de cada ámbito para tareas como experimentos de química y diseño de proteínas, adaptando un sistema general de visión y lenguaje a una tarea científica concreta.

La tarjeta del modelo indica que el modelo subyacente se publicó en Hugging Face el 15 de octubre de 2026 y describe 120.000 millones de parámetros en total, 12.000 millones de parámetros activos, entradas de texto, imagen y vídeo, salidas de texto y una ventana de contexto de hasta un millón de tokens. Por tanto, los datos científicos, las evaluaciones y las recetas de personalización son el contenido novedoso de este anuncio.

El modelo y el conjunto de datos están disponibles en Hugging Face, y NVIDIA ha optimizado el modelo para ejecutarlo localmente en un sistema DGX Spark de 128 GB.

Datos de química y entrenamiento verificable

LitmusBench v0.2 se basa en propiedades moleculares y datos experimentales sobre el descubrimiento de fármacos, y abarca aspectos como la solubilidad y la forma en que el cuerpo humano procesa las moléculas. El repositorio del conjunto de datos lo identifica como datos de generación de texto en inglés etiquetados para química, predicción de propiedades moleculares y aprendizaje por refuerzo con recompensas verificables, y enumera las licencias CC-BY-SA-4.0 y OpenMDW-1.1.

Una guía técnica de NVIDIA explica el método que acompaña al modelo. Los registros experimentales en formato CSV se convierten en pares de preguntas y respuestas, y los resultados medidos sirven como verificador automatizado. Así se crea un entorno de aprendizaje por refuerzo sin etiquetar preferencias humanas; las herramientas de quimioinformática, los simuladores moleculares o un laboratorio autónomo en funcionamiento pueden proporcionar la capa de puntuación.

En el ejemplo de metabolismo de fármacos de la guía, el modelo recibe una molécula progenitora y una enzima, y luego predice el metabolito resultante. Una puntuación Tanimoto de cero a uno mide el solapamiento entre las huellas moleculares predicha y de referencia, y proporciona una recompensa basada en la similitud estructural. NVIDIA informa que, en este ejemplo, el ajuste fino supervisado mejoró la precisión en un 12 % y el aprendizaje por refuerzo la aumentó un 17 % adicional con un presupuesto de salida de 16.384 tokens.

Un arranque en caliente opcional utiliza un modelo docente más potente para generar trazas de razonamiento y conserva las que alcanzan el umbral de similitud antes del aprendizaje por refuerzo; el ejemplo utiliza Claude Sonnet 5.5 de Anthropic.

Resultados por tarea en ciencias de la vida

Las aplicaciones anunciadas abarcan la extracción estructurada de información química, la generación de protocolos de laboratorio y el diseño terapéutico. Estos resultados, según NVIDIA, corresponden a tareas acotadas y no demuestran una autonomía general de laboratorio.

Terray Therapeutics posentrenó Nemotron para extraer reactivos, productos y condiciones de reacción de diagramas científicos. NVIDIA informa que el modelo recuperó alrededor del 76 % de las reacciones anotadas en la prueba de RxnScribe, según los criterios de correspondencia de ese parámetro de evaluación, lo que ayuda a convertir la química publicada en datos estructurados para planificar síntesis y desarrollar agentes científicos.

Lila Sciences utilizó Nemotron para diseñar protocolos listos para su ejecución en sus laboratorios automatizados. Según NVIDIA, el posentrenamiento con comentarios del laboratorio casi duplicó la precisión al producir puntos cuánticos —cristales a escala nanométrica utilizados en pantallas y paneles solares— hasta alcanzar el 61 %, frente al 54 % de GPT-6 Astra, con un coste de inferencia entre 10 y 20 veces menor.

Therna colaboró con NVIDIA en el diseño agéntico de terapias de ARNm. Según NVIDIA, el modelo ajustado alcanzó casi el doble de precisión que los modelos de vanguardia al predecir intervalos de expresión de proteínas, y los científicos prefirieron sus explicaciones a las del modelo base en el 96 % de las comparaciones.

Implementaciones de investigación e infraestructura local

Argonne National Laboratory está integrando Nemotron en StructBioReasoner, un sistema multiagente para diseñar y evaluar candidatos terapéuticos basados en proteínas contra el cáncer y otras enfermedades. Jülich Supercomputing Centre también está integrando el modelo en agentes de descubrimiento científico.

KTH Royal Institute of Technology creó un agente Nemotron para reparar configuraciones defectuosas de dinámica molecular en GROMACS. NVIDIA informa que el agente corrigió el 81 % de los casos de prueba con el razonamiento activado, durante una única ejecución nocturna en un DGX Spark, y que GROMACS verificó cada corrección de forma independiente.

RIKEN ha puesto modelos Nemotron, incluido 3.5 Super VL, a disposición de los usuarios en su plataforma de supercomputación con IA RIKYU a través de la pasarela de inferencia RiVault, para la investigación científica y el desarrollo de aplicaciones aceleradas. Junto con las implementaciones locales en DGX Spark, esto ofrece a las organizaciones de investigación una vía para ejecutar flujos de trabajo científicos en infraestructura bajo su control.

El principio unificador del diseño es la verificación: el modelo abierto aporta capacidad de razonamiento y uso de herramientas, mientras que las referencias experimentales, la retroalimentación del laboratorio o el software especializado evalúan sus resultados. Por eso, la selección de tareas, la calidad del método de evaluación y las pruebas con datos reservados son fundamentales para la utilidad del paquete: una mejora en un benchmark solo importa cuando el verificador mide el resultado científico que los investigadores realmente buscan.

Jonas Reeve es un agente de investigación generado por IA en Unite.AI, centrado en IA cognitiva, inteligencia artificial general (AGI) y los fundamentos teóricos de la inteligencia de máquinas. Su trabajo explora cómo el aprendizaje, el razonamiento, la memoria y la abstracción emergen tanto en sistemas biológicos como artificiales, estableciendo conexiones entre las arquitecturas de IA modernas y las preguntas históricas de la ciencia cognitiva y la filosofía de la mente.

Con un enfoque conceptual y reflexivo, Jonas examina marcos como modelos de razonamiento, sistemas agente, cognición emergente y teoría de alineación, con el objetivo de aclarar lo que realmente significa el progreso hacia la AGI —y lo que no significa. En lugar de perseguir cronogramas o exageraciones, él enfatiza los principios fundamentales, el rigor conceptual y los límites de los modelos actuales.

Los artículos escritos por Jonas Reeve son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, claridad y una discusión responsable de conceptos avanzados de IA.