Modelos e plataformas de IA
A NVIDIA lança o Nemotron for Science e um conjunto de dados aberto de química

Pontos-chaveA verificação é o núcleo do design do pacote porque referências experimentais e…
Ver mais
- A verificação é o núcleo do design do pacote porque referências experimentais e software de domínio avaliam as saídas do modelo.
- O LitmusBench transforma resultados experimentais medidos em recompensas automatizadas que eliminam a necessidade de rotulagem por preferência humana.
- Os ganhos relatados pela NVIDIA abrangem tarefas limitadas e não estabelecem autonomia laboratorial geral.
A NVIDIA apresentou o Nemotron for Science em 16 de novembro de 2026, combinando seu modelo aberto Nemotron 3.5 Super VL com avaliações científicas, receitas de pós-treinamento e o LitmusBench v0.2, um conjunto de dados de química com quase 50.000 perguntas para treinar e avaliar agentes de pesquisa.
O pacote foi desenvolvido para agentes que interpretam informações científicas, geram código e acionam ferramentas computacionais, incluindo softwares acelerados pelo CUDA-X. Pesquisadores podem fazer o pós-treinamento do modelo com dados específicos de um domínio para tarefas como experimentos de química e design de proteínas, adaptando um sistema geral de visão e linguagem a uma tarefa científica específica.
A ficha do modelo informa que o modelo subjacente foi lançado no Hugging Face em 15 de outubro de 2026 e descreve 120 bilhões de parâmetros totais, 12 bilhões de parâmetros ativos, entradas de texto, imagem e vídeo, saídas de texto e uma janela de contexto de até um milhão de tokens. Portanto, os dados científicos, as avaliações e as receitas de personalização são os novos elementos desta apresentação.
O modelo e o conjunto de dados estão disponíveis no Hugging Face, e a NVIDIA otimizou o modelo para execução local em um sistema DGX Spark de 128 GB.
Dados de química e treinamento verificável
O LitmusBench v0.2 reúne dados sobre propriedades moleculares e dados experimentais de descoberta de medicamentos, abrangendo características como a solubilidade e a forma como o corpo humano processa moléculas. O repositório do conjunto de dados identifica dados em inglês para geração de texto, marcados como relacionados à química, à previsão de propriedades moleculares e ao aprendizado por reforço com recompensas verificáveis, e lista as licenças CC-BY-SA-4.0 e OpenMDW-1.1.
Um guia técnico da NVIDIA explica a receita correspondente. Registros experimentais em CSV são convertidos em pares de perguntas e respostas, e os resultados medidos servem como verificador automatizado. Isso cria um ambiente de aprendizado por reforço sem rotulagem de preferências humanas; ferramentas de quimioinformática, simuladores moleculares ou um laboratório autônomo em operação podem fornecer a camada de pontuação.
No exemplo de metabolismo de medicamentos apresentado no guia, o modelo recebe uma molécula-mãe e uma enzima e, em seguida, prevê o metabólito resultante. Uma pontuação de Tanimoto de zero a um mede a sobreposição entre as impressões digitais moleculares previstas e as de referência, fornecendo uma recompensa baseada na similaridade estrutural. A NVIDIA informa que, nesse exemplo, o ajuste fino supervisionado aumentou a precisão em 12%, e o aprendizado por reforço acrescentou mais 17%, com um orçamento de saída de 16.384 tokens.
Uma inicialização opcional usa um modelo professor mais potente para gerar sequências de raciocínio e mantém aquelas que atingem o limiar de similaridade antes do aprendizado por reforço; o exemplo usa o Claude Sonnet 5.5, da Anthropic.
Resultados por tarefa nas ciências da vida
As aplicações anunciadas abrangem a extração estruturada de informações químicas, a geração de protocolos de laboratório e o design terapêutico. Esses resultados divulgados pela NVIDIA dizem respeito a tarefas delimitadas e não comprovam autonomia geral de laboratório.
A Terray Therapeutics fez o pós-treinamento do Nemotron para extrair reagentes, produtos e condições de reação de diagramas científicos. A NVIDIA informa que o modelo recuperou cerca de 76% das reações anotadas no teste RxnScribe, segundo os critérios de correspondência desse benchmark, ajudando a transformar a química publicada em dados estruturados para o planejamento de sínteses e agentes científicos.
A Lila Sciences usou o Nemotron para criar protocolos prontos para execução em seus laboratórios automatizados. Segundo a NVIDIA, o pós-treinamento com feedback de laboratório quase dobrou a precisão na produção de pontos quânticos — cristais em nanoescala usados em telas e painéis solares —, chegando a 61%, em comparação com os 54% do GPT-6 Astra, com custo de inferência de 10 a 20 vezes menor.
A Therna colaborou com a NVIDIA no design agentivo de terapias de mRNA. Segundo a NVIDIA, o modelo ajustado alcançou quase o dobro da precisão dos modelos de ponta na previsão de faixas de expressão proteica, e os cientistas preferiram suas explicações às do modelo-base em 96% das comparações.
Implantações de pesquisa e infraestrutura local
O Argonne National Laboratory está integrando o Nemotron ao StructBioReasoner, um sistema multiagente para projetar e avaliar candidatos terapêuticos baseados em proteínas para o câncer e outras doenças. O Jülich Supercomputing Centre também está integrando o modelo a agentes de descoberta científica.
O KTH Royal Institute of Technology criou um agente Nemotron para reparar configurações defeituosas de dinâmica molecular do GROMACS. A NVIDIA informa que o agente corrigiu 81% dos casos de teste com o raciocínio ativado, em uma única execução noturna em um único DGX Spark, e que cada correção foi verificada de forma independente pelo GROMACS.
O RIKEN disponibilizou modelos Nemotron, incluindo o 3.5 Super VL, em sua plataforma de supercomputação de IA RIKYU, por meio do gateway de inferência RiVault, para pesquisa científica e desenvolvimento de aplicações aceleradas. Junto com as implantações locais do DGX Spark, isso oferece às organizações de pesquisa uma maneira de executar fluxos de trabalho científicos em uma infraestrutura sob seu controle.
O princípio unificador do projeto é a verificação: o modelo aberto fornece raciocínio e uso de ferramentas, enquanto referências experimentais, feedback de laboratório ou software específico do domínio avaliam seus resultados. Isso torna a seleção das tarefas, a qualidade do método de pontuação e a avaliação com dados não utilizados no treinamento elementos centrais para a utilidade do pacote: um ganho em benchmark só importa quando o verificador mede o resultado científico que os pesquisadores realmente buscam.












