Modelli e piattaforme di IA
NVIDIA lancia Nemotron for Science e un dataset aperto di chimica

Punti chiaveLa verifica è il fulcro del design del pacchetto perché i riferimenti sperimentali e il…
Vedi di più
- La verifica è il fulcro del design del pacchetto perché i riferimenti sperimentali e il software di dominio valutano gli output del modello.
- LitmusBench trasforma i risultati sperimentali misurati in ricompense automatizzate che eliminano la necessità di etichettatura basata sulle preferenze umane.
- I guadagni riportati da NVIDIA riguardano compiti circoscritti e non stabiliscono un'autonomia generale di laboratorio.
NVIDIA ha presentato Nemotron for Science il 16 novembre 2026, abbinando il modello aperto Nemotron 3.5 Super VL a valutazioni scientifiche, ricette per la fase successiva all’addestramento e LitmusBench v0.2, un dataset di chimica contenente quasi 50.000 domande per addestrare e valutare agenti di ricerca.
Il pacchetto è pensato per agenti in grado di interpretare informazioni scientifiche, generare codice e utilizzare strumenti computazionali, compresi i software accelerati da CUDA-X. I ricercatori possono sottoporre il modello a un addestramento aggiuntivo con dati specifici del settore per attività come gli esperimenti di chimica e la progettazione di proteine, adattando un sistema generico di visione e linguaggio a uno specifico compito scientifico.
La scheda del modello indica che il modello sottostante è stato pubblicato su Hugging Face il 15 ottobre 2026 e descrive 120 miliardi di parametri complessivi, 12 miliardi di parametri attivi, input di testo, immagini e video, output testuali e una finestra di contesto fino a un milione di token. La novità sostanziale dell’annuncio riguarda quindi i dati scientifici, le valutazioni e le ricette di personalizzazione.
Il modello e il dataset sono disponibili su Hugging Face e NVIDIA ha ottimizzato il modello per l’esecuzione in locale su un sistema DGX Spark da 128 GB.
Dati di chimica e addestramento verificabile
LitmusBench v0.2 si basa sulle proprietà molecolari e sui dati sperimentali della scoperta di farmaci e copre aspetti quali la solubilità e il modo in cui il corpo umano metabolizza le molecole. Il repository del dataset descrive dati di generazione testuale in inglese contrassegnati come relativi alla chimica, alla previsione delle proprietà molecolari e all’apprendimento per rinforzo con ricompense verificabili, e indica le licenze CC-BY-SA-4.0 e OpenMDW-1.1.
Una guida tecnica di NVIDIA illustra la procedura associata. I record sperimentali in formato CSV vengono trasformati in coppie di domande e risposte, i cui risultati misurati fungono da verificatore automatico. In questo modo si crea un ambiente di apprendimento per rinforzo senza etichette basate sulle preferenze umane; il livello di valutazione può essere fornito da strumenti di cheminformatica, simulatori molecolari o da un laboratorio autonomo operativo.
Nell’esempio sul metabolismo dei farmaci riportato nella guida, il modello riceve una molecola progenitrice e un enzima, quindi prevede il metabolita risultante. Un punteggio di Tanimoto compreso tra zero e uno misura la sovrapposizione tra le impronte molecolari previste e quelle di riferimento, fornendo una ricompensa basata sulla somiglianza strutturale. NVIDIA riferisce che, in questo esempio, il fine-tuning supervisionato ha migliorato la precisione del 12% e che l’apprendimento per rinforzo l’ha aumentata di un ulteriore 17%, con un budget di output di 16.384 token.
Una fase facoltativa di inizializzazione a caldo utilizza un modello insegnante più potente per generare tracce di ragionamento e conserva quelle che raggiungono la soglia di somiglianza prima dell’apprendimento per rinforzo; l’esempio utilizza Claude Sonnet 5.5 di Anthropic.
Risultati a livello di singolo compito nelle scienze della vita
Le applicazioni annunciate spaziano dall’estrazione strutturata di dati chimici alla generazione di protocolli di laboratorio e alla progettazione di terapie. Questi risultati, riportati da NVIDIA, riguardano compiti circoscritti e non dimostrano una capacità generale di operare autonomamente in laboratorio.
Terray Therapeutics ha sottoposto Nemotron a un addestramento aggiuntivo per estrarre reagenti, prodotti e condizioni di reazione da diagrammi scientifici. NVIDIA riferisce che, nel test RxnScribe e secondo i criteri di corrispondenza del benchmark, il modello ha recuperato circa il 76% delle reazioni annotate, contribuendo a trasformare la chimica pubblicata in dati strutturati utili alla pianificazione delle sintesi e agli agenti scientifici.
Lila Sciences ha utilizzato Nemotron per progettare protocolli pronti per l’esecuzione nei suoi laboratori automatizzati. Secondo NVIDIA, l’addestramento aggiuntivo basato sul feedback di laboratorio ha quasi raddoppiato la precisione nella produzione di punti quantici — cristalli nanometrici utilizzati negli schermi e nei pannelli solari — portandola al 61%, rispetto al 54% di GPT-6 Astra, con costi di inferenza da 10 a 20 volte inferiori.
Therna ha collaborato con NVIDIA alla progettazione agentica di terapie a mRNA. Secondo NVIDIA, il modello ottimizzato ha raggiunto una precisione quasi doppia rispetto ai modelli più avanzati nella previsione degli intervalli di espressione proteica, e nel 96% dei confronti gli scienziati hanno preferito le sue spiegazioni a quelle del modello di base.
Implementazioni nella ricerca e infrastrutture locali
Argonne National Laboratory sta integrando Nemotron in StructBioReasoner, un sistema multiagente per progettare e valutare candidati terapeutici a base di proteine per il cancro e altre malattie. Anche Jülich Supercomputing Centre sta integrando il modello in agenti per la scoperta scientifica.
KTH Royal Institute of Technology ha creato un agente Nemotron per riparare configurazioni non funzionanti di dinamica molecolare in GROMACS. NVIDIA riferisce che, con il ragionamento attivato, l’agente ha corretto l’81% dei casi di test durante un’unica esecuzione notturna su un solo DGX Spark; ogni correzione è stata verificata in modo indipendente da GROMACS.
RIKEN ha reso disponibili i modelli Nemotron, incluso 3.5 Super VL, sulla propria piattaforma di supercalcolo IA RIKYU attraverso il gateway di inferenza RiVault, per la ricerca scientifica e lo sviluppo di applicazioni accelerate. Insieme alle implementazioni locali su DGX Spark, questa soluzione offre agli enti di ricerca un modo per eseguire flussi di lavoro scientifici su infrastrutture sotto il loro controllo.
Il principio unificante è la verifica: il modello aperto fornisce capacità di ragionamento e uso degli strumenti, mentre riferimenti sperimentali, feedback di laboratorio o software specifici del settore valutano i suoi risultati. Per questo, la selezione dei compiti, la qualità del metodo di valutazione e la verifica su dati tenuti da parte sono fondamentali per l’utilità del pacchetto: un miglioramento nei benchmark conta solo se il verificatore misura l’esito scientifico che i ricercatori vogliono effettivamente ottenere.












