Modèles et plateformes d’IA
NVIDIA lance Nemotron pour la science et un jeu de données ouvert de chimie

Points clésLa vérification est la conception centrale du package car les références expérimentales…
Voir plus
- La vérification est la conception centrale du package car les références expérimentales et les logiciels de domaine évaluent les sorties du modèle.
- LitmusBench transforme les résultats expérimentaux mesurés en récompenses automatisées qui éliminent le besoin d'étiquetage des préférences humaines.
- Les gains rapportés par NVIDIA couvrent des tâches délimitées et n'établissent pas une autonomie générale de laboratoire.
NVIDIA a présenté Nemotron pour la science le 16 novembre 2026, en associant son modèle Nemotron 3.5 Super VL ouvert à des évaluations scientifiques, des recettes de post-entraînement et à LitmusBench v0.2, un jeu de données de chimie contenant près de 50 000 questions destinées à entraîner et à évaluer des agents de recherche.
Cette offre s’adresse aux agents capables d’interpréter des informations scientifiques, de générer du code et d’utiliser des outils de calcul, notamment des logiciels accélérés par CUDA-X. Les chercheurs peuvent effectuer un post-entraînement du modèle à l’aide de données propres à un domaine pour des travaux tels que les expériences de chimie et la conception de protéines, en adaptant ainsi un système général de vision et de langage à une tâche scientifique particulière.
Sa fiche du modèle indique que le modèle sous-jacent a été publié sur Hugging Face le 15 octobre 2026. Elle décrit 120 milliards de paramètres au total, dont 12 milliards de paramètres actifs, des entrées textuelles, visuelles et vidéo, des sorties textuelles et une fenêtre de contexte pouvant atteindre un million de jetons. Les données scientifiques, les évaluations et les recettes de personnalisation constituent donc les nouveaux éléments de fond de cette annonce.
Le modèle et le jeu de données sont disponibles sur Hugging Face, et NVIDIA a optimisé le modèle pour qu’il fonctionne localement sur un système DGX Spark de 128 Go.
Données de chimie et entraînement vérifiable
LitmusBench v0.2 s’appuie sur les propriétés moléculaires et les données expérimentales de découverte de médicaments. Il couvre notamment la solubilité et la manière dont le corps humain transforme les molécules. Le dépôt du jeu de données recense des données de génération de texte en anglais étiquetées pour la chimie, la prédiction des propriétés moléculaires et l’apprentissage par renforcement avec des récompenses vérifiables, et indique les licences CC-BY-SA-4.0 et OpenMDW-1.1.
Un guide technique de NVIDIA explique la méthode proposée. Les enregistrements expérimentaux au format CSV sont convertis en paires question-réponse, et les résultats mesurés servent de vérificateur automatisé. Cela crée un environnement d’apprentissage par renforcement sans étiquetage des préférences humaines ; des outils de chimi-informatique, des simulateurs moléculaires ou un laboratoire autonome en activité peuvent fournir la couche d’évaluation.
Dans l’exemple du guide consacré au métabolisme des médicaments, le modèle reçoit une molécule mère et une enzyme, puis prédit le métabolite obtenu. Un score de Tanimoto compris entre zéro et un mesure le chevauchement entre les empreintes moléculaires prédites et celles de référence, fournissant une récompense fondée sur la similarité structurelle. NVIDIA indique que, dans cet exemple, le réglage fin supervisé a amélioré la précision de 12 % et que l’apprentissage par renforcement l’a encore accrue de 17 % avec un budget de sortie de 16 384 jetons.
Une initialisation à chaud facultative fait appel à un modèle enseignant plus puissant pour générer des traces de raisonnement et conserve celles qui atteignent le seuil de similarité avant l’apprentissage par renforcement ; l’exemple utilise Claude Sonnet 5.5 d’Anthropic.
Résultats par tâche en sciences de la vie
Les applications annoncées couvrent l’extraction structurée de données chimiques, la génération de protocoles de laboratoire et la conception thérapeutique. Ces résultats rapportés par NVIDIA portent sur des tâches délimitées et ne démontrent pas une autonomie générale en laboratoire.
Terray Therapeutics a effectué un post-entraînement de Nemotron afin d’extraire les réactifs, les produits et les conditions de réaction à partir de schémas scientifiques. NVIDIA indique que le modèle a retrouvé environ 76 % des réactions annotées lors du test RxnScribe, selon les critères de correspondance propres à ce banc d’essai, contribuant ainsi à convertir la littérature chimique publiée en données structurées pour la planification de synthèses et les agents scientifiques.
Lila Sciences a utilisé Nemotron pour concevoir des protocoles prêts à être exécutés dans ses laboratoires automatisés. Selon NVIDIA, le post-entraînement à partir de retours de laboratoire a presque doublé la précision de la fabrication de points quantiques — des cristaux nanométriques utilisés dans les écrans et les panneaux solaires — pour la porter à 61 %, contre 54 % pour GPT-6 Astra, avec un coût d’inférence de 10 à 20 fois inférieur.
Therna a collaboré avec NVIDIA à la conception thérapeutique d’ARNm par des agents. Selon NVIDIA, le modèle ajusté a atteint une précision presque deux fois supérieure à celle des modèles de pointe pour prédire les plages d’expression des protéines, et les scientifiques ont préféré ses explications à celles du modèle de base dans 96 % des comparaisons.
Déploiements de recherche et infrastructure locale
Argonne National Laboratory intègre Nemotron à StructBioReasoner, un système multi-agents destiné à concevoir et à évaluer des candidats thérapeutiques à base de protéines contre le cancer et d’autres maladies. Le Jülich Supercomputing Centre intègre également le modèle à des agents de découverte scientifique.
KTH Royal Institute of Technology a créé un agent Nemotron pour réparer des configurations GROMACS de dynamique moléculaire défectueuses. NVIDIA indique que, raisonnement activé, l’agent a corrigé 81 % des cas de test au cours d’une seule exécution nocturne sur un DGX Spark, chaque correction ayant été vérifiée de manière indépendante par GROMACS.
RIKEN a mis des modèles Nemotron, dont 3.5 Super VL, à disposition sur sa plateforme de supercalcul IA RIKYU par l’intermédiaire de la passerelle d’inférence RiVault, pour la recherche scientifique et le développement d’applications accélérées. Avec les déploiements locaux sur DGX Spark, cela offre aux organismes de recherche un moyen d’exécuter des flux de travail scientifiques sur une infrastructure qu’ils contrôlent.
Le principe unificateur est la vérification : le modèle ouvert fournit le raisonnement et l’utilisation d’outils, tandis que des références expérimentales, les retours du laboratoire ou des logiciels spécialisés évaluent ses résultats. L’utilité de l’ensemble dépend donc essentiellement du choix des tâches, de la qualité de la méthode d’évaluation et des tests sur des données tenues à l’écart : un gain sur un benchmark n’a de valeur que si le système de vérification mesure le résultat scientifique réellement recherché par les chercheurs.












