Model dan platform AI
NVIDIA Meluncurkan Nemotron untuk Sains dan Dataset Kimia Terbuka

Poin utamaVerifikasi adalah inti desain paket karena referensi eksperimental dan perangkat lunak…
Lihat selengkapnya
- Verifikasi adalah inti desain paket karena referensi eksperimental dan perangkat lunak domain menilai keluaran model.
- LitmusBench mengubah hasil eksperimen terukur menjadi imbalan otomatis yang menghilangkan kebutuhan akan pelabelan preferensi manusia.
- Keuntungan yang dilaporkan NVIDIA mencakup tugas-tugas terbatas dan tidak membuktikan otonomi laboratorium secara umum.
NVIDIA memperkenalkan Nemotron untuk Sains pada 16 November 2026, dengan memadukan model Nemotron 3.5 Super VL terbuka miliknya dengan evaluasi ilmiah, resep pascapelatihan, dan LitmusBench v0.2, dataset kimia yang berisi hampir 50.000 pertanyaan untuk melatih dan mengevaluasi agen penelitian.
Paket ini ditujukan bagi agen yang menafsirkan informasi ilmiah, menghasilkan kode, dan memanggil alat komputasi, termasuk perangkat lunak yang dipercepat CUDA-X. Peneliti dapat melakukan pascapelatihan model menggunakan data khusus bidang tertentu untuk pekerjaan seperti eksperimen kimia dan desain protein, sehingga sistem visi-bahasa umum dapat disesuaikan dengan tugas ilmiah tertentu.
Kartu model tersebut mencatat bahwa model dasarnya dirilis di Hugging Face pada 15 Oktober 2026, serta menyebutkan total 120 miliar parameter, 12 miliar parameter aktif, masukan teks, gambar, dan video, keluaran teks, serta jendela konteks hingga satu juta token. Dengan demikian, data ilmiah, evaluasi, dan resep penyesuaian merupakan substansi baru dalam pengumuman ini.
Model dan dataset tersedia di Hugging Face, dan NVIDIA telah mengoptimalkan model agar dapat dijalankan secara lokal pada sistem DGX Spark 128 GB.
Data Kimia dan Pelatihan yang Dapat Diverifikasi
LitmusBench v0.2 memanfaatkan sifat molekul dan data eksperimen penemuan obat, yang mencakup perilaku seperti kelarutan dan cara tubuh manusia memproses molekul. Repositori dataset tersebut mengidentifikasi data pembuatan teks berbahasa Inggris yang diberi tag untuk kimia, prediksi sifat molekul, dan pembelajaran penguatan dengan imbalan yang dapat diverifikasi, serta mencantumkan lisensi CC-BY-SA-4.0 dan OpenMDW-1.1.
Panduan teknis NVIDIA menjelaskan resep yang menyertainya. Catatan CSV eksperimen diubah menjadi pasangan tanya-jawab, dengan hasil pengukuran yang berfungsi sebagai verifikator otomatis. Hal ini menciptakan lingkungan pembelajaran penguatan tanpa pelabelan preferensi manusia; perangkat kemoinformatika, simulator molekul, atau laboratorium otonom aktif dapat menyediakan lapisan penilaian.
Dalam contoh metabolisme obat di panduan tersebut, model menerima molekul induk dan sebuah enzim, lalu memprediksi metabolit yang dihasilkan. Skor Tanimoto dari nol hingga satu mengukur tingkat tumpang tindih antara sidik jari molekul hasil prediksi dan sidik jari molekul acuan, sehingga memberikan imbalan berdasarkan kemiripan struktural. NVIDIA melaporkan bahwa penyempurnaan terawasi meningkatkan akurasi sebesar 12% dalam contoh ini, dan pembelajaran penguatan menambahkan peningkatan 17% lagi dengan anggaran keluaran 16.384 token.
Inisialisasi awal opsional menggunakan model pengajar yang lebih kuat untuk menghasilkan jejak penalaran, lalu mempertahankan jejak yang memenuhi ambang kemiripan sebelum pembelajaran penguatan; contoh ini menggunakan Claude Sonnet 5.5 dari Anthropic.
Hasil pada Tingkat Tugas dalam Ilmu Hayati
Aplikasi yang diumumkan mencakup ekstraksi bahan kimia terstruktur, pembuatan protokol laboratorium, dan desain terapi. Hasil yang dilaporkan NVIDIA ini berkaitan dengan tugas-tugas terbatas dan tidak membuktikan adanya otonomi laboratorium secara umum.
Terray Therapeutics melakukan pascapelatihan Nemotron untuk mengekstrak reaktan, produk, dan kondisi reaksi dari diagram ilmiah. NVIDIA melaporkan bahwa model tersebut berhasil memulihkan sekitar 76% reaksi beranotasi pada pengujian RxnScribe berdasarkan kriteria pencocokan tolok ukur itu, sehingga membantu mengubah kimia yang dipublikasikan menjadi data terstruktur untuk perencanaan sintesis dan agen ilmiah.
Lila Sciences menggunakan Nemotron untuk merancang protokol siap dijalankan di laboratorium otomatisnya. Menurut NVIDIA, pascapelatihan dengan umpan balik laboratorium hampir menggandakan akurasi pembuatan titik kuantum—kristal berskala nano yang digunakan pada layar dan panel surya—hingga 61%, dibandingkan 54% untuk GPT-6 Astra, dengan biaya inferensi 10–20 kali lebih rendah.
Therna berkolaborasi dengan NVIDIA dalam desain terapi mRNA berbasis agen. Menurut NVIDIA, model yang telah disesuaikan mencapai akurasi hampir dua kali lipat dibandingkan model terdepan dalam memprediksi rentang ekspresi protein, dan para ilmuwan lebih menyukai penjelasannya daripada penjelasan model dasar dalam 96% perbandingan.
Penerapan Riset dan Infrastruktur Lokal
Argonne National Laboratory mengintegrasikan Nemotron ke dalam StructBioReasoner, sistem multiagen untuk merancang dan mengevaluasi kandidat terapi berbasis protein untuk kanker dan penyakit lainnya. Jülich Supercomputing Centre juga mengintegrasikan model tersebut ke dalam agen penemuan ilmiah.
KTH Royal Institute of Technology membangun agen Nemotron untuk memperbaiki konfigurasi dinamika molekul GROMACS yang bermasalah. NVIDIA melaporkan bahwa agen tersebut memperbaiki 81% kasus pengujian dengan penalaran diaktifkan, dalam satu kali proses semalaman pada satu DGX Spark, dan setiap perbaikan diperiksa secara independen oleh GROMACS.
RIKEN telah menyediakan model Nemotron, termasuk 3.5 Super VL, di platform komputasi super AI RIKYU melalui gerbang inferensi RiVault untuk riset ilmiah dan pengembangan aplikasi terakselerasi. Bersama penerapan lokal DGX Spark, hal ini memberi organisasi riset cara untuk menjalankan alur kerja ilmiah pada infrastruktur yang mereka kendalikan.
Prinsip yang menyatukan rancangan ini adalah verifikasi: model terbuka menyediakan kemampuan penalaran dan penggunaan alat, sementara rujukan eksperimental, umpan balik laboratorium, atau perangkat lunak khusus bidang menilai keluarannya. Karena itu, pemilihan tugas, kualitas metode penilaian, dan evaluasi pada data yang disisihkan menjadi faktor utama yang menentukan kegunaan paket ini: peningkatan kinerja pada tolok ukur hanya bermakna jika mekanisme verifikasi mengukur hasil ilmiah yang benar-benar ingin dicapai para peneliti.












