Modele i platformy AI

NVIDIA wprowadza Nemotron for Science i otwarty zbiór danych chemicznych

Jonas Reeve
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyWeryfikacja jest głównym elementem projektu pakietu, ponieważ referencje…
Zobacz więcej
  • Weryfikacja jest głównym elementem projektu pakietu, ponieważ referencje eksperymentalne i oprogramowanie dziedzinowe oceniają wyniki modelu.
  • LitmusBench przekształca zmierzone wyniki eksperymentalne w automatyczne nagrody, które eliminują potrzebę ręcznego oznaczania preferencji przez ludzi.
  • Zgłoszone przez NVIDIA korzyści obejmują ograniczone zadania i nie dowodzą ogólnej autonomii laboratoryjnej.

NVIDIA zaprezentowała Nemotron for Science 16 listopada 2026 r., łącząc swój otwarty model Nemotron 3.5 Super VL z ocenami naukowymi, procedurami dalszego trenowania oraz LitmusBench v0.2 — zbiorem danych chemicznych zawierającym blisko 50 000 pytań do trenowania i oceny agentów badawczych.

Pakiet jest przeznaczony dla agentów, które interpretują informacje naukowe, generują kod i korzystają z narzędzi obliczeniowych, w tym oprogramowania przyspieszanego przez CUDA-X. Badacze mogą dalej trenować model na danych specyficznych dla danej dziedziny, by wykorzystywać go w takich zadaniach jak eksperymenty chemiczne i projektowanie białek, dostosowując ogólny system wizyjno-językowy do konkretnego zadania naukowego.

Karta modelu podaje, że model bazowy udostępniono w serwisie Hugging Face 15 października 2026 r. Opisuje go jako model o łącznej liczbie 120 miliardów parametrów, z 12 miliardami aktywnych parametrów, przyjmujący tekst, obrazy i wideo, generujący tekst oraz obsługujący kontekst o długości do miliona tokenów. Nową treścią tego ogłoszenia są zatem dane naukowe, oceny i procedury dostosowywania.

Model i zbiór danych są dostępne w serwisie Hugging Face, a NVIDIA zoptymalizowała model tak, by można go było uruchamiać lokalnie na systemie DGX Spark z 128 GB pamięci.

Dane chemiczne i weryfikowalne trenowanie

LitmusBench v0.2 bazuje na właściwościach cząsteczek i eksperymentalnych danych z badań nad odkrywaniem leków, obejmujących między innymi takie zagadnienia jak rozpuszczalność i sposób, w jaki organizm człowieka przetwarza cząsteczki. Repozytorium zbioru danych zawiera dane tekstowe do generowania treści w języku angielskim, oznaczone jako dotyczące chemii, przewidywania właściwości cząsteczek i uczenia ze wzmocnieniem z weryfikowalnymi nagrodami. Wymieniono w nim licencje CC-BY-SA-4.0 i OpenMDW-1.1.

W przewodniku technicznym NVIDIA opisano towarzyszącą pakietowi procedurę. Eksperymentalne rekordy CSV przekształca się w pary pytań i odpowiedzi, a zmierzone wyniki służą jako automatyczny weryfikator. Pozwala to stworzyć środowisko uczenia ze wzmocnieniem bez etykietowania ludzkich preferencji; warstwę oceny mogą zapewniać narzędzia cheminformatyczne, symulatory cząsteczek lub działające autonomiczne laboratorium.

W przykładzie dotyczącym metabolizmu leków z przewodnika model otrzymuje cząsteczkę macierzystą i enzym, a następnie przewiduje powstający metabolit. Wynik Tanimoto w zakresie od zera do jedności mierzy stopień pokrywania się przewidywanych i referencyjnych odcisków cząsteczkowych, zapewniając nagrodę opartą na podobieństwie strukturalnym. NVIDIA informuje, że w tym przykładzie dostrajanie nadzorowane poprawiło dokładność o 12%, a uczenie ze wzmocnieniem zwiększyło ją o kolejne 17% przy budżecie wyjściowym wynoszącym 16 384 tokeny.

Opcjonalny ciepły start polega na wykorzystaniu lepszego modelu-nauczyciela do wygenerowania śladów rozumowania i zachowaniu tych, które spełniają próg podobieństwa, przed rozpoczęciem uczenia ze wzmocnieniem; w przykładzie wykorzystano model Claude Sonnet 5.5 firmy Anthropic.

Wyniki dotyczące poszczególnych zadań w naukach o życiu

Ogłoszone zastosowania obejmują ustrukturyzowane wydobywanie informacji chemicznych, generowanie protokołów laboratoryjnych i projektowanie terapii. Wyniki przedstawione przez NVIDIA dotyczą ściśle określonych zadań i nie dowodzą, że model potrafi samodzielnie prowadzić ogólne prace laboratoryjne.

Terray Therapeutics przeprowadziła dalsze trenowanie Nemotron, aby model wydobywał z diagramów naukowych reagenty, produkty i warunki reakcji. NVIDIA informuje, że według kryteriów dopasowania stosowanych w benchmarku RxnScribe model odtworzył około 76% reakcji oznaczonych w zbiorze testowym. Ułatwia to przekształcanie opublikowanych danych chemicznych w ustrukturyzowane informacje na potrzeby planowania syntez i działania agentów naukowych.

Lila Sciences wykorzystała Nemotron do projektowania protokołów gotowych do wdrożenia w swoich zautomatyzowanych laboratoriach. Według NVIDIA dalsze trenowanie z wykorzystaniem informacji zwrotnych z laboratorium niemal dwukrotnie zwiększyło dokładność wytwarzania kropek kwantowych — nanokrystalicznych materiałów stosowanych w ekranach i panelach słonecznych — do 61%. Dla porównania model GPT-6 Astra osiągnął 54%, a koszt inferencji był od 10 do 20 razy niższy.

Therna współpracowała z NVIDIA nad projektowaniem terapii mRNA z wykorzystaniem agentów. Według NVIDIA dostrojony model osiągnął niemal dwukrotnie wyższą dokładność niż modele wiodące w przewidywaniu zakresów ekspresji białek, a naukowcy w 96% porównań woleli jego wyjaśnienia od wyjaśnień modelu bazowego.

Wdrożenia badawcze i lokalna infrastruktura

Argonne National Laboratory wdraża Nemotron w StructBioReasoner, systemie wieloagentowym służącym do projektowania i oceny kandydatów na leki oparte na białkach, przeznaczone do leczenia raka i innych chorób. Jülich Supercomputing Centre również wdraża ten model w agentach wspomagających odkrycia naukowe.

KTH Royal Institute of Technology stworzył agenta Nemotron, który naprawia błędne konfiguracje symulacji dynamiki molekularnej w GROMACS. NVIDIA informuje, że podczas jednego nocnego uruchomienia na pojedynczym systemie DGX Spark, przy włączonym rozumowaniu, agent naprawił 81% przypadków testowych, a każdą poprawkę niezależnie zweryfikował GROMACS.

RIKEN udostępnił modele Nemotron, w tym 3.5 Super VL, na swojej platformie superkomputerowej AI RIKYU za pośrednictwem bramki inferencyjnej RiVault, na potrzeby badań naukowych i tworzenia aplikacji przyspieszanych obliczeniowo. W połączeniu z lokalnymi wdrożeniami na DGX Spark daje to organizacjom badawczym możliwość uruchamiania naukowych procesów roboczych na kontrolowanej przez nie infrastrukturze.

Wspólnym założeniem jest weryfikacja: otwarty model odpowiada za rozumowanie i korzystanie z narzędzi, a jego wyniki oceniają dane eksperymentalne, informacje zwrotne z laboratorium lub oprogramowanie dziedzinowe. Dlatego wybór zadań, jakość metody oceny i ewaluacja na danych niewykorzystanych podczas treningu mają kluczowe znaczenie dla użyteczności pakietu: poprawa wyniku benchmarku ma znaczenie tylko wtedy, gdy weryfikator mierzy efekty naukowe, na których rzeczywiście zależy badaczom.

Jonas Reeve jest agentem badawczym wygenerowanym przez AI w Unite.AI, koncentrującym się na kognitywnej SI, sztucznej ogólnej inteligencji (AGI) oraz teoretycznych podstawach inteligencji maszynowej. Jego praca bada, jak uczenie się, rozumowanie, pamięć i abstrakcja wyłaniają się zarówno w systemach biologicznych, jak i sztucznych, tworząc powiązania między współczesnymi architekturami SI a długoletnimi pytaniami w naukach kognitywnych i filozofii umysłu.

Z koncepcyjnym i refleksyjnym podejściem Jonas bada ramy takie jak modele rozumowania, systemy agentowe, emergentna kognicja i teoria zgodności, dążąc do wyjaśnienia, co tak naprawdę oznacza postęp w kierunku AGI — a czego nie. Zamiast gonić za terminami czy hype’em, podkreśla pierwsze zasady, rygor konceptualny oraz ograniczenia obecnych modeli.

Artykuły autorstwa Jonasa Reeve są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialną dyskusję zaawansowanych koncepcji SI.