AI-mallit ja alustat
NVIDIA julkaisee Nemotron for Science -mallin ja avoimen kemian tietoaineiston

Keskeiset kohdatVerifiointi on paketin keskeinen suunnitteluperiaate, koska kokeelliset viitteet ja…
Näytä lisää
- Verifiointi on paketin keskeinen suunnitteluperiaate, koska kokeelliset viitteet ja alan ohjelmistot pisteyttävät mallin tuotokset.
- LitmusBench muuttaa mitatut kokeelliset tulokset automatisoiduiksi palkkioiksi, jotka poistavat tarpeen ihmisten mieltymysten merkitsemiselle.
- NVIDIAn raportoimat parannukset kattavat rajattuja tehtäviä eivätkä osoita yleistä laboratorioautonomiaa.
NVIDIA esitteli Nemotron for Science -mallin 16. marraskuuta 2026. Julkaisu yhdistää avoimen Nemotron 3.5 Super VL -mallin tieteellisiin arviointeihin, jälkikoulutuksen resepteihin ja LitmusBench v0.2:een, joka on kemian tietoaineisto ja sisältää lähes 50 000 kysymystä tutkimusagenttien koulutukseen ja arviointiin.
Kokonaisuus on tarkoitettu agenteille, jotka tulkitsevat tieteellistä tietoa, tuottavat koodia ja käyttävät laskennallisia työkaluja, kuten CUDA-X:llä kiihdytettyjä ohjelmistoja. Tutkijat voivat jälkikouluttaa mallia alakohtaisella tiedolla esimerkiksi kemian kokeita ja proteiinien suunnittelua varten ja mukauttaa näin yleiskäyttöisen näkö- ja kielimallin tiettyyn tieteelliseen tehtävään.
Mallikortissa pohjana olevan mallin Hugging Face -julkaisupäiväksi ilmoitetaan 15. lokakuuta 2026. Siinä kerrotaan, että mallissa on yhteensä 120 miljardia parametria, joista 12 miljardia on aktiivisia. Malli ottaa vastaan tekstiä, kuvia ja videoita, tuottaa tekstiä ja pystyy käsittelemään enintään miljoonan tokenin konteksti-ikkunan. Ilmoituksen uutta antia ovat siis tieteellinen data, arvioinnit ja mukautusreseptit.
Malli ja tietoaineisto ovat saatavilla Hugging Facessa, ja NVIDIA on optimoinut mallin paikalliseen käyttöön 128 Gt:n DGX Spark -järjestelmässä.
Kemiadata ja todennettavissa oleva koulutus
LitmusBench v0.2 hyödyntää molekyylien ominaisuuksia ja kokeellista lääkeaineiden kehitykseen liittyvää dataa. Se kattaa muun muassa liukoisuuden ja sen, miten ihmiskeho käsittelee molekyylejä. Tietoaineiston tietovarastossa on englanninkielistä tekstintuotantodataa, joka on merkitty kemiaa, molekyylien ominaisuuksien ennustamista ja todennettaviin palkkioihin perustuvaa vahvistusoppimista varten. Tietovarastossa ilmoitetaan lisensseiksi CC-BY-SA-4.0 ja OpenMDW-1.1.
NVIDIAn teknisessä oppaassa kuvataan siihen liittyvä menetelmä. Kokeelliset CSV-tietueet muunnetaan kysymys-vastauspareiksi, ja mitatut tulokset toimivat automaattisena todentajana. Näin syntyy vahvistusoppimisympäristö ilman ihmisten tekemiä preferenssimerkintöjä. Pisteytyksen voivat tuottaa keminformatiikan työkalut, molekyylisimulaattorit tai toiminnassa oleva autonominen laboratorio.
Oppaan esimerkissä, joka käsittelee lääkeaineen aineenvaihduntaa, mallille annetaan lähtömolekyyli ja entsyymi, minkä jälkeen se ennustaa tuloksena syntyvän metaboliitin. Välillä 0–1 oleva Tanimoto-pistemäärä mittaa ennustettujen ja vertailumolekyylin molekyylisormenjälkien yhtenevyyttä ja antaa palkkion rakenteellisen samankaltaisuuden perusteella. NVIDIAn mukaan tässä esimerkissä ohjattu hienosäätö paransi tarkkuutta 12 %, ja vahvistusoppiminen kasvatti sitä vielä 17 %:lla, kun tulostebudjetti oli 16 384 tokenia.
Valinnaisessa alkulämmittelyvaiheessa vahvempi opettajamalli tuottaa päättelyketjuja, joista säilytetään samankaltaisuuskynnyksen täyttävät ketjut ennen vahvistusoppimista. Esimerkissä käytetään Anthropicin Claude Sonnet 5.5 -mallia.
Elämäntieteiden tehtäväkohtaiset tulokset
Julkistetut käyttökohteet ulottuvat kemiallisten yhdisteiden jäsennellystä poiminnasta laboratorioprotokollien tuottamiseen ja lääkeaineiden suunnitteluun. Nämä NVIDIAn raportoimat tulokset koskevat rajattuja tehtäviä, eivätkä ne osoita, että malli pystyisi yleisesti toimimaan autonomisena laboratoriona.
Terray Therapeutics jälkikoulutti Nemotron-mallia poimimaan tieteellisistä kaavioista lähtöaineet, tuotteet ja reaktio-olosuhteet. NVIDIAn mukaan malli tunnisti noin 76 % merkityistä reaktioista RxnScribe-testissä kyseisen vertailumenetelmän vastaavuuskriteerien mukaisesti. Näin julkaistu kemiatieto voidaan muuntaa synteesin suunnittelua ja tieteellisiä agentteja varten jäsennellyksi dataksi.
Lila Sciences käytti Nemotron-mallia automatisoitujen laboratorioidensa toteutusvalmiiden protokollien suunnitteluun. NVIDIAn mukaan laboratoriopalautteella tehty jälkikoulutus lähes kaksinkertaisti kvanttipisteiden valmistuksen tarkkuuden ja nosti sen 61 prosenttiin. Kvanttipisteet ovat nanokokoisia kiteitä, joita käytetään näytöissä ja aurinkopaneeleissa. Vertailussa GPT-6 Astra ylsi 54 prosenttiin, ja päättelykustannukset olivat 10–20 kertaa pienemmät.
Therna teki NVIDIAn kanssa yhteistyötä agenttipohjaisen mRNA-lääkehoidon suunnittelussa. NVIDIAn mukaan hienosäädetty malli ennusti proteiinin ilmentymistasoja lähes kaksi kertaa tarkemmin kuin johtavat mallit, ja tutkijat pitivät sen selityksiä perusmallin selityksiä parempina 96 prosentissa vertailuista.
Tutkimuskäyttöönotot ja paikallinen infrastruktuuri
Argonne National Laboratory ottaa Nemotron-mallia käyttöön StructBioReasonerissa, usean agentin järjestelmässä, jolla suunnitellaan ja arvioidaan proteiinipohjaisia lääkeaine-ehdokkaita syöpään ja muihin sairauksiin. Jülich Supercomputing Centre ottaa mallia käyttöön myös tieteellisen tutkimuksen agenteissa.
KTH Royal Institute of Technology kehitti Nemotron-agentin korjaamaan rikkoutuneita GROMACS-molekyylidynamiikan asetuksia. NVIDIAn mukaan agentti korjasi 81 % testitapauksista, kun päättely oli käytössä. Testi tehtiin yhdellä DGX Spark -järjestelmällä yhden yön aikana, ja GROMACS tarkisti jokaisen korjauksen erikseen.
RIKEN on tuonut Nemotron-malleja, mukaan lukien 3.5 Super VL:n, saataville RIKYU-teholaskenta-alustallaan RiVault-päättelyyhdyskäytävän kautta tieteelliseen tutkimukseen ja kiihdytettyjen sovellusten kehittämiseen. Paikallisten DGX Spark -käyttöönottojen ohella tämä tarjoaa tutkimusorganisaatioille mahdollisuuden suorittaa tieteellisiä työnkulkuja hallitsemassaan infrastruktuurissa.
Kokonaisuutta yhdistävä periaate on verifiointi: avoin malli tarjoaa päättely- ja työkalunkäyttökykyä, kun taas kokeelliset vertailuaineistot, laboratorion palaute tai alakohtainen ohjelmisto pisteyttävät sen tuotokset. Siksi tehtävien valinta, pisteytysmenetelmän laatu ja erillisellä aineistolla tehtävä arviointi ovat keskeisiä kokonaisuuden hyödyllisyyden kannalta: vertailutuloksen paranemisella on merkitystä vain, jos verifioija mittaa juuri sitä tieteellistä tulosta, jota tutkijat tavoittelevat.












