AI-modellen en platforms
NVIDIA introduceert Nemotron for Science en een open dataset voor chemie

Belangrijkste puntenVerificatie is het kernontwerp van het pakket, omdat experimentele referenties en…
Meer weergeven
- Verificatie is het kernontwerp van het pakket, omdat experimentele referenties en domeinsoftware de uitvoer van het model beoordelen.
- LitmusBench zet gemeten experimentele uitkomsten om in geautomatiseerde beloningen die de noodzaak van menselijke voorkeurslabeling wegnemen.
- De gerapporteerde winst van NVIDIA betreft afgebakende taken en vormt geen bewijs voor algemene laboratoriumautonomie.
NVIDIA introduceerde Nemotron for Science op 16 november 2026, met het open model Nemotron 3.5 Super VL, wetenschappelijke evaluaties, recepten voor training na de voortraining en LitmusBench v0.2: een dataset voor chemie met bijna 50.000 vragen voor het trainen en evalueren van onderzoeksagenten.
Het pakket is bedoeld voor agenten die wetenschappelijke informatie interpreteren, code genereren en computationele tools aanroepen, waaronder software die wordt versneld met CUDA-X. Onderzoekers kunnen het model verder trainen met domeinspecifieke gegevens voor toepassingen zoals chemische experimenten en eiwitontwerp. Zo kunnen ze een algemeen visueel-taalsysteem aanpassen aan een specifieke wetenschappelijke taak.
De modelkaart vermeldt dat het onderliggende model op 15 oktober 2026 op Hugging Face is uitgebracht. Ook beschrijft de kaart een totaal van 120 miljard parameters, waarvan er 12 miljard actief zijn, invoer van tekst, afbeeldingen en video, tekstuitvoer en een contextvenster van maximaal één miljoen tokens. De wetenschappelijke gegevens, evaluaties en recepten voor aanpassing vormen dus de nieuwe inhoud van deze aankondiging.
Het model en de dataset zijn beschikbaar op Hugging Face. NVIDIA heeft het model geoptimaliseerd om lokaal te draaien op een DGX Spark-systeem met 128 GB.
Chemische gegevens en verifieerbare training
LitmusBench v0.2 is gebaseerd op moleculaire eigenschappen en experimentele gegevens over geneesmiddelenontdekking. De dataset omvat onder meer eigenschappen zoals oplosbaarheid en de manier waarop het menselijk lichaam moleculen verwerkt. De datasetrepository beschrijft gegevens voor Engelse tekstgeneratie, getagd voor chemie, het voorspellen van moleculaire eigenschappen en versterkend leren met verifieerbare beloningen. Ook vermeldt de repository de licenties CC-BY-SA-4.0 en OpenMDW-1.1.
Een technische handleiding van NVIDIA licht het bijbehorende recept toe. Experimentele CSV-bestanden worden omgezet in vraag-en-antwoordparen, waarbij de gemeten uitkomsten als automatische verificatie dienen. Zo ontstaat een omgeving voor versterkend leren zonder menselijke voorkeurslabels. Cheminformatica-tools, moleculaire simulators of een actief autonoom laboratorium kunnen de beoordelingslaag leveren.
In het voorbeeld over geneesmiddelenmetabolisme in de handleiding krijgt het model een uitgangsmolecuul en een enzym, waarna het het resulterende metaboliet voorspelt. Een Tanimoto-score van nul tot één meet de overlap tussen de voorspelde en de referentievingerafdrukken van moleculen. Die score levert een beloning op die is gebaseerd op structurele gelijkenis. NVIDIA meldt dat supervised finetuning de nauwkeurigheid in dit voorbeeld met 12% verhoogde en dat versterkend leren daar nog eens 17% aan toevoegde bij een uitvoerbudget van 16.384 tokens.
Een optionele warme start gebruikt een sterker lerarenmodel om redeneersporen te genereren en behoudt daarvan de sporen die aan de gelijkenisdrempel voldoen, voordat het versterkend leren begint. In het voorbeeld wordt Claude Sonnet 5.5 van Anthropic gebruikt.
Resultaten per taak in de levenswetenschappen
De aangekondigde toepassingen omvatten het gestructureerd extraheren van chemische gegevens, het genereren van laboratoriumprotocollen en therapeutisch ontwerp. Deze door NVIDIA gerapporteerde resultaten hebben betrekking op afgebakende taken en tonen niet aan dat het model algemene autonomie in het laboratorium heeft.
Terray Therapeutics heeft Nemotron verder getraind om reactanten, producten en reactieomstandigheden uit wetenschappelijke diagrammen te halen. NVIDIA meldt dat het model ongeveer 76% van de geannoteerde reacties terugvond in de RxnScribe-test, volgens de bijbehorende criteria voor overeenkomst. Dat helpt om gepubliceerde chemische informatie om te zetten in gestructureerde gegevens voor syntheseplanning en wetenschappelijke agenten.
Lila Sciences gebruikte Nemotron om uitvoeringsklare protocollen te ontwerpen voor zijn geautomatiseerde laboratoria. Volgens NVIDIA verdubbelde de nauwkeurigheid bij het maken van quantumdots — nanokristallen die in schermen en zonnepanelen worden gebruikt — bijna tot 61% dankzij verdere training met feedback uit het laboratorium. Ter vergelijking: GPT-6 Astra behaalde 54%, terwijl de inferentiekosten 10–20 keer lager waren.
Therna werkte met NVIDIA samen aan het ontwerp van mRNA-therapieën met behulp van agenten. Volgens NVIDIA behaalde het afgestemde model bijna tweemaal de nauwkeurigheid van toonaangevende modellen bij het voorspellen van bereiken voor eiwitexpressie. In 96% van de vergelijkingen gaven wetenschappers bovendien de voorkeur aan de uitleg van het model boven die van het basismodel.
Onderzoeksimplementaties en lokale infrastructuur
Argonne National Laboratory integreert Nemotron in StructBioReasoner, een systeem met meerdere agenten voor het ontwerpen en evalueren van eiwitgebaseerde therapeutische kandidaten voor kanker en andere ziekten. Ook het Jülich Supercomputing Centre integreert het model in agenten voor wetenschappelijke ontdekkingen.
KTH Royal Institute of Technology bouwde een Nemotron-agent om defecte GROMACS-instellingen voor moleculaire dynamica te herstellen. NVIDIA meldt dat de agent tijdens één nachtelijke run op één DGX Spark 81% van de testgevallen oploste, met ingeschakelde redeneermogelijkheden. GROMACS controleerde elke oplossing onafhankelijk.
RIKEN heeft Nemotron-modellen, waaronder 3.5 Super VL, beschikbaar gesteld op zijn RIKYU AI-supercomputerplatform, via de RiVault-inferentiegateway voor wetenschappelijk onderzoek en de ontwikkeling van versnelde toepassingen. Samen met lokale implementaties op DGX Spark biedt dit onderzoeksorganisaties een manier om wetenschappelijke workflows uit te voeren op infrastructuur die zij zelf beheren.
De verbindende ontwerpkeuze is verificatie: het open model levert redeneervermogen en maakt gebruik van tools, terwijl experimentele referenties, feedback uit het laboratorium of domeinspecifieke software de resultaten ervan beoordelen. Daardoor zijn de taakselectie, de kwaliteit van de beoordelingsmethode en evaluatie op achtergehouden gegevens bepalend voor de bruikbaarheid van het pakket: winst op een benchmark is alleen relevant als het verificatiesysteem de wetenschappelijke uitkomst meet die onderzoekers daadwerkelijk willen bereiken.












