Modele și platforme AI
NVIDIA lansează Nemotron for Science și un set de date deschis de chimie

Puncte cheieVerificarea este nucleul de proiectare al pachetului, deoarece referințele…
Vezi mai mult
- Verificarea este nucleul de proiectare al pachetului, deoarece referințele experimentale și software-ul de domeniu punctează rezultatele modelului.
- LitmusBench transformă rezultatele experimentale măsurate în recompense automate care elimină necesitatea etichetării preferințelor umane.
- Câștigurile raportate de NVIDIA acoperă sarcini limitate și nu stabilesc autonomie generală de laborator.
NVIDIA a lansat Nemotron for Science pe 16 noiembrie 2026, asociind modelul său Nemotron 3.5 Super VL cu ponderi deschise cu evaluări științifice, rețete de post-antrenare și LitmusBench v0.2, un set de date de chimie care conține aproape 50.000 de întrebări pentru antrenarea și evaluarea agenților de cercetare.
Pachetul este destinat agenților care interpretează informații științifice, generează cod și apelează instrumente de calcul, inclusiv software accelerat cu CUDA-X. Cercetătorii pot face post-antrenarea modelului cu date specifice domeniului, pentru activități precum experimentele de chimie și proiectarea proteinelor, adaptând un sistem general de viziune și limbaj la o anumită sarcină științifică.
Fișa modelului indică data de 15 octombrie 2026 pentru lansarea pe Hugging Face a modelului de bază și menționează 120 de miliarde de parametri în total, dintre care 12 miliarde activi, intrări de text, imagine și video, ieșiri textuale și o fereastră de context de până la un milion de tokenuri. Prin urmare, datele științifice, evaluările și rețetele de personalizare reprezintă noutatea acestui anunț.
Modelul și setul de date sunt disponibile pe Hugging Face, iar NVIDIA a optimizat modelul pentru a rula local pe un sistem DGX Spark de 128 GB.
Date de chimie și antrenare verificabilă
LitmusBench v0.2 se bazează pe proprietăți moleculare și date experimentale din descoperirea medicamentelor și acoperă caracteristici precum solubilitatea și modul în care organismul uman procesează moleculele. Depozitul setului de date identifică date de generare a textului în limba engleză, etichetate pentru chimie, predicția proprietăților moleculare și învățare prin consolidare cu recompense verificabile, și enumeră licențele CC-BY-SA-4.0 și OpenMDW-1.1.
Un ghid tehnic NVIDIA explică rețeta aferentă. Înregistrările experimentale din fișiere CSV sunt transformate în perechi întrebare-răspuns, iar rezultatele măsurate servesc drept verificator automat. Astfel se creează un mediu de învățare prin consolidare fără etichetarea preferințelor de către oameni; stratul de evaluare poate fi furnizat de instrumente de cheminformatică, simulatoare moleculare sau un laborator autonom operațional.
În exemplul ghidului privind metabolizarea medicamentelor, modelul primește o moleculă precursor și o enzimă, apoi prezice metabolitul rezultat. Un scor Tanimoto de la zero la unu măsoară suprapunerea dintre amprentele moleculare prezise și cele de referință, oferind o recompensă bazată pe similitudinea structurală. NVIDIA afirmă că, în acest exemplu, reglarea fină supervizată a îmbunătățit precizia cu 12%, iar învățarea prin consolidare a adăugat încă 17%, cu un buget de ieșire de 16.384 de tokenuri.
O etapă opțională de pornire la cald folosește un model-profesor mai puternic pentru a genera trasee de raționament și le păstrează pe cele care ating pragul de similitudine înainte de învățarea prin consolidare; exemplul folosește Claude Sonnet 5.5 de la Anthropic.
Rezultate la nivel de sarcină în științele vieții
Aplicațiile anunțate acoperă extragerea structurată a informațiilor chimice, generarea de protocoale de laborator și proiectarea de terapii. Aceste rezultate raportate de NVIDIA privesc sarcini bine delimitate și nu demonstrează autonomia generală în laborator.
Terray Therapeutics a făcut post-antrenarea Nemotron pentru a extrage reactanți, produși și condiții de reacție din diagrame științifice. NVIDIA afirmă că modelul a recuperat aproximativ 76% dintre reacțiile adnotate din testul RxnScribe, conform criteriilor de potrivire ale acelui benchmark, contribuind la transformarea informațiilor chimice publicate în date structurate pentru planificarea sintezelor și agenții științifici.
Lila Sciences a folosit Nemotron pentru a proiecta protocoale gata de execuție pentru laboratoarele sale automatizate. Potrivit NVIDIA, post-antrenarea cu feedback din laborator a aproape dublat precizia obținerii punctelor cuantice — cristale la scară nanometrică utilizate în ecrane și panouri solare —, ajungând la 61%, față de 54% pentru GPT-6 Astra, la un cost al inferenței de 10–20 de ori mai mic.
Therna a colaborat cu NVIDIA la proiectarea agentică a unor terapii cu ARNm. Potrivit NVIDIA, modelul ajustat a obținut o precizie aproape de două ori mai mare decât modelele de vârf în prezicerea intervalelor de exprimare a proteinelor, iar în 96% dintre comparații, oamenii de știință au preferat explicațiile sale celor ale modelului de bază.
Implementări de cercetare și infrastructură locală
Argonne National Laboratory integrează Nemotron în StructBioReasoner, un sistem cu mai mulți agenți pentru proiectarea și evaluarea candidaților terapeutici pe bază de proteine, destinați tratării cancerului și a altor boli. Jülich Supercomputing Centre integrează, de asemenea, modelul în agenți pentru descoperiri științifice.
KTH Royal Institute of Technology a construit un agent Nemotron pentru repararea configurațiilor GROMACS de dinamică moleculară care nu funcționează. NVIDIA afirmă că agentul a remediat 81% dintre cazurile de testare, cu raționamentul activat, în timpul unei singure rulări peste noapte pe un DGX Spark, fiecare remediere fiind verificată independent de GROMACS.
RIKEN a pus la dispoziție modelele Nemotron, inclusiv 3.5 Super VL, pe platforma sa de supercalcul AI RIKYU, prin gateway-ul de inferență RiVault, pentru cercetare științifică și dezvoltarea de aplicații accelerate. Împreună cu implementările locale pe DGX Spark, acest lucru oferă organizațiilor de cercetare o modalitate de a rula fluxuri de lucru științifice pe infrastructura pe care o controlează.
Principiul unificator este verificarea: modelul deschis oferă capacități de raționament și de utilizare a instrumentelor, în timp ce referințele experimentale, feedbackul de laborator sau software-ul specializat în domeniu îi evaluează rezultatele. Astfel, selecția sarcinilor, calitatea metodei de evaluare și evaluarea pe date păstrate separat sunt esențiale pentru utilitatea pachetului: un progres la un benchmark contează doar dacă verificatorul măsoară rezultatul științific pe care cercetătorii îl urmăresc cu adevărat.












