AI-modeller og plattformer
NVIDIA lanserer Nemotron for vitenskap og et åpent kjemidatasett

Viktige punkterVerifisering er pakkens kjerne i designet fordi eksperimentelle referanser og…
Vis mer
- Verifisering er pakkens kjerne i designet fordi eksperimentelle referanser og domeneprogramvare scorer modellens output.
- LitmusBench gjør målte eksperimentelle resultater om til automatiserte belønninger som fjerner behovet for menneskelig preferansemerking.
- NVIDIAs rapporterte gevinster dekker avgrensede oppgaver og etablerer ikke generell laboratorieautonomi.
NVIDIA lanserte Nemotron for vitenskap 16. november 2026, med den åpne modellen Nemotron 3.5 Super VL, vitenskapelige evalueringer, oppskrifter for ettertrening og LitmusBench v0.2, et kjemidatasett med nærmere 50 000 spørsmål for trening og evaluering av forskningsagenter.
Pakken er beregnet på agenter som tolker vitenskapelig informasjon, genererer kode og bruker beregningsverktøy, blant annet programvare akselerert med CUDA-X. Forskere kan ettertrene modellen med domenespesifikke data til oppgaver som kjemieksperimenter og proteindesign, og dermed tilpasse et generelt syns- og språksystem til en bestemt vitenskapelig oppgave.
Modellkortet oppgir at den underliggende modellen ble lansert på Hugging Face 15. oktober 2026, og beskriver 120 milliarder parametere totalt, 12 milliarder aktive parametere, tekst-, bilde- og videoinndata, tekstutdata og et kontekstvindu på opptil én million tokener. De vitenskapelige dataene, evalueringene og oppskriftene for tilpasning utgjør derfor det nye innholdet i denne kunngjøringen.
Modellen og datasettet er tilgjengelige på Hugging Face, og NVIDIA har optimalisert modellen for lokal kjøring på et DGX Spark-system med 128 GB.
Kjemidata og verifiserbar trening
LitmusBench v0.2 bygger på molekylære egenskaper og eksperimentelle data fra legemiddelutvikling, og dekker blant annet løselighet og hvordan menneskekroppen behandler molekyler. Datasettarkivet identifiserer engelskspråklige tekstgenereringsdata merket for kjemi, prediksjon av molekylære egenskaper og forsterkningslæring med verifiserbare belønninger, og oppgir lisensene CC-BY-SA-4.0 og OpenMDW-1.1.
En teknisk veiledning fra NVIDIA forklarer den tilhørende oppskriften. Eksperimentelle CSV-poster gjøres om til spørsmål-og-svar-par, der de målte resultatene fungerer som en automatisk verifikator. Dette skaper et miljø for forsterkningslæring uten menneskelig preferansemerking; kjemoinformatikkverktøy, molekylsimulatorer eller et aktivt, autonomt laboratorium kan stå for poengsettingen.
I veiledningens eksempel på legemiddelmetabolisme får modellen et utgangsmolekyl og et enzym, og forutsier deretter den resulterende metabolitten. En Tanimoto-skår fra null til én måler overlappen mellom de forutsagte og referansemolekylære fingeravtrykkene, og gir en belønning basert på strukturell likhet. NVIDIA oppgir at veiledet finjustering økte nøyaktigheten med 12 % i dette eksemplet, og at forsterkningslæring ga ytterligere 17 % ved en utdataramme på 16 384 tokener.
Som et valgfritt oppstartsopplegg kan en sterkere lærermodell generere resonnementsspor, der bare spor som oppfyller likhetsterskelen, beholdes før forsterkningslæringen; eksemplet bruker Claude Sonnet 5.5 fra Anthropic.
Resultater på oppgavenivå innen biovitenskap
De annonserte bruksområdene omfatter strukturert utvinning av kjemiske data, generering av laboratorieprotokoller og utvikling av legemidler. Resultatene som NVIDIA rapporterer, gjelder avgrensede oppgaver og dokumenterer ikke generell autonomi i laboratoriet.
Terray Therapeutics ettertrente Nemotron til å hente ut reaktanter, produkter og reaksjonsbetingelser fra vitenskapelige diagrammer. NVIDIA oppgir at modellen gjenfant omtrent 76 % av de annoterte reaksjonene i RxnScribe-testen, målt etter referansedatasettets kriterier for samsvar. Dette bidrar til å gjøre publisert kjemiforskning om til strukturerte data for synteseplanlegging og vitenskapelige agenter.
Lila Sciences brukte Nemotron til å utforme protokoller klare til gjennomføring i de automatiserte laboratoriene sine. Ifølge NVIDIA nesten doblet ettertrening med tilbakemeldinger fra laboratoriet nøyaktigheten ved produksjon av kvanteprikker – nanoskala-krystaller som brukes i skjermer og solcellepaneler – til 61 %, sammenlignet med 54 % for GPT-6 Astra, til en 10–20 ganger lavere inferenskostnad.
Therna samarbeidet med NVIDIA om agentbasert utforming av mRNA-terapier. Ifølge NVIDIA oppnådde den finjusterte modellen nesten dobbelt så høy nøyaktighet som de ledende modellene i prediksjon av intervaller for proteinuttrykk, og forskerne foretrakk forklaringene dens fremfor forklaringene fra grunnmodellen i 96 % av sammenligningene.
Forskningsimplementeringer og lokal infrastruktur
Argonne National Laboratory integrerer Nemotron i StructBioReasoner, et fleragentsystem for utforming og evaluering av proteinbaserte legemiddelkandidater mot kreft og andre sykdommer. Jülich Supercomputing Centre integrerer også modellen i agenter for vitenskapelig oppdagelse.
KTH Royal Institute of Technology utviklet en Nemotron-agent for å reparere ødelagte GROMACS-oppsett for molekyldynamikk. NVIDIA oppgir at agenten reparerte 81 % av testtilfellene med resonnement aktivert under én nattlig kjøring på én DGX Spark, og at GROMACS kontrollerte hver reparasjon uavhengig.
RIKEN har gjort Nemotron-modeller, blant annet 3.5 Super VL, tilgjengelige på sin RIKYU AI-superdatamaskinplattform via inferensportalen RiVault for vitenskapelig forskning og utvikling av akselererte applikasjoner. Sammen med lokale DGX Spark-implementeringer gir dette forskningsorganisasjoner en mulighet til å kjøre vitenskapelige arbeidsflyter på infrastruktur de selv kontrollerer.
Den samlende utformingen bygger på verifisering: Den åpne modellen står for resonnering og bruk av verktøy, mens eksperimentelle referansedata, tilbakemeldinger fra laboratoriet eller fagspesifikk programvare evaluerer resultatene. Derfor er valg av oppgaver, kvaliteten på evalueringsmetoden og evaluering på data som holdes utenfor treningen avgjørende for hvor nyttig pakken er: En forbedring på en referanseoppgave betyr bare noe hvis verifikatoren måler det vitenskapelige resultatet forskerne faktisk ønsker å oppnå.












