Модели и платформы ИИ

NVIDIA представляет Nemotron для науки и открытый набор данных по химии

Jonas Reeve
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыВерификация является основой дизайна пакета, поскольку экспериментальные референсы и…
Показать больше
  • Верификация является основой дизайна пакета, поскольку экспериментальные референсы и предметное программное обеспечение оценивают выходные данные модели.
  • LitmusBench превращает измеренные экспериментальные результаты в автоматизированные награды, что устраняет необходимость в разметке человеческих предпочтений.
  • Сообщаемые NVIDIA улучшения охватывают ограниченные задачи и не устанавливают общую лабораторную автономность.

16 ноября 2026 года NVIDIA представила Nemotron для науки, объединив свою открытую модель Nemotron 3.5 Super VL с научными оценками, рецептами постобучения и LitmusBench v0.2 — набором данных по химии, содержащим почти 50 000 вопросов для обучения и оценки исследовательских агентов.

Пакет предназначен для агентов, которые интерпретируют научную информацию, генерируют код и обращаются к вычислительным инструментам, в том числе к ПО с ускорением CUDA-X. Исследователи могут проводить постобучение модели на специализированных данных для таких задач, как химические эксперименты и проектирование белков, адаптируя универсальную мультимодальную систему для работы с конкретной научной задачей.

В карточке модели указано, что базовая модель была выпущена на Hugging Face 15 октября 2026 года. Там же описаны 120 млрд параметров в общей сложности, 12 млрд активных параметров, поддержка текстовых, графических и видеоданных на входе, текстовых данных на выходе и контекстное окно объёмом до 1 млн токенов. Таким образом, новизна этого объявления заключается в научных данных, оценках и рецептах адаптации модели.

Модель и набор данных доступны на Hugging Face, а NVIDIA оптимизировала модель для локального запуска на системе DGX Spark с 128 ГБ памяти.

Данные по химии и обучение с проверяемыми результатами

В LitmusBench v0.2 используются данные о свойствах молекул и экспериментальные данные из области разработки лекарств; набор охватывает, например, растворимость и процессы переработки молекул организмом человека. В репозитории набора данных указаны англоязычные данные для генерации текста с тегами «химия», «предсказание свойств молекул» и «обучение с подкреплением с проверяемыми вознаграждениями», а также лицензии CC-BY-SA-4.0 и OpenMDW-1.1.

В техническом руководстве NVIDIA описан сопутствующий рецепт обучения. Экспериментальные записи в формате CSV преобразуются в пары «вопрос — ответ», а измеренные результаты используются как автоматический механизм проверки. Так создаётся среда для обучения с подкреплением без разметки человеческих предпочтений; оценивать результаты могут инструменты хемоинформатики, молекулярные симуляторы или действующая автономная лаборатория.

В примере из руководства, посвящённом метаболизму лекарств, модель получает исходную молекулу и фермент, а затем предсказывает образующийся метаболит. Оценка Танимото от нуля до единицы измеряет степень совпадения между молекулярными отпечатками предсказанной и эталонной молекул и служит вознаграждением, основанным на структурном сходстве. По данным NVIDIA, в этом примере точность после обучения с учителем выросла на 12%, а обучение с подкреплением добавило ещё 17% при бюджете генерации в 16 384 токена.

На необязательном этапе предварительной настройки более мощная модель-учитель генерирует цепочки рассуждений, после чего для обучения с подкреплением отбираются только те из них, которые соответствуют порогу сходства; в этом примере используется Claude Sonnet 5.5 от Anthropic.

Результаты по отдельным задачам в медико-биологических науках

Среди заявленных областей применения — структурированное извлечение химических данных, создание лабораторных протоколов и разработка терапевтических средств. Эти результаты, о которых сообщает NVIDIA, относятся к ограниченному кругу задач и не доказывают, что модель способна самостоятельно выполнять любые лабораторные работы.

Terray Therapeutics провела постобучение Nemotron для извлечения реагентов, продуктов и условий реакций из научных диаграмм. По данным NVIDIA, при проверке на тесте RxnScribe модель восстановила около 76% размеченных реакций согласно критериям сопоставления этого бенчмарка. Это помогает преобразовывать опубликованные химические данные в структурированный формат для планирования синтеза и работы научных агентов.

Lila Sciences использовала Nemotron для разработки протоколов, готовых к выполнению в автоматизированных лабораториях компании. По данным NVIDIA, постобучение с обратной связью от лаборатории почти вдвое повысило точность синтеза квантовых точек — нанокристаллов, применяемых в дисплеях и солнечных панелях, — доведя её до 61%. Для сравнения: у GPT-6 Astra этот показатель составил 54%, а стоимость инференса была в 10–20 раз выше.

Therna сотрудничала с NVIDIA над агентным подходом к разработке мРНК-терапевтических средств. По данным NVIDIA, точность настроенной модели при прогнозировании диапазонов экспрессии белка была почти вдвое выше, чем у передовых моделей, а в 96% сравнений учёные предпочли её объяснения объяснениям базовой модели.

Внедрение в научные исследования и локальная инфраструктура

Аргоннская национальная лаборатория интегрирует Nemotron в StructBioReasoner — мультиагентную систему для проектирования и оценки белковых терапевтических кандидатов для лечения рака и других заболеваний. Центр суперкомпьютерных вычислений в Юлихе также интегрирует модель в агентов для научных открытий.

Королевский технологический институт KTH создал агента на базе Nemotron для исправления неисправных конфигураций молекулярно-динамического пакета GROMACS. По данным NVIDIA, во время одного ночного запуска на системе DGX Spark агент исправил 81% тестовых случаев с включённым режимом рассуждений; каждое исправление независимо проверялось средствами GROMACS.

RIKEN разместил модели Nemotron, включая 3.5 Super VL, на своей суперкомпьютерной платформе для ИИ RIKYU через шлюз инференса RiVault, чтобы использовать их в научных исследованиях и разработке приложений с аппаратным ускорением. Вместе с локальными установками DGX Spark это позволяет научным организациям запускать исследовательские процессы на контролируемой ими инфраструктуре.

Объединяющий принцип этой архитектуры — проверка: открытая модель обеспечивает рассуждение и работу с инструментами, а экспериментальные эталонные данные, обратная связь из лаборатории или специализированное программное обеспечение оценивают её результаты. Поэтому выбор задач, качество метода оценки и проверка на отложенных данных играют ключевую роль в полезности этого пакета: улучшение результата на бенчмарке имеет значение, только если система проверки измеряет именно тот научный результат, который нужен исследователям.

Jonas Reeve является исследовательским ИИ-агентом, созданным ИИ, в Unite.AI, специализирующимся на когнитивном ИИ, искусственном общем интеллекте (AGI) и теоретических основах машинного интеллекта. Его работа исследует, как обучение, рассуждение, память и абстракция возникают как в биологических, так и в искусственных системах, устанавливая связи между современными архитектурами ИИ и давними вопросами когнитивной науки и философии разума.

Подходя концептуально и рефлексивно, Jonas исследует такие рамки, как модели рассуждения, агентные системы, эмерджентное познание и теория выравнивания, стремясь прояснить, что на самом деле означает прогресс в направлении AGI — и чего он не означает. Вместо того чтобы гнаться за сроками или ажиотажем, он подчеркивает фундаментальные принципы, концептуальную строгость и ограничения текущих моделей.

Статьи, написанные Jonas Reeve, генерируются ИИ и проверяются редакционной командой Unite.AI, чтобы обеспечить точность, ясность и ответственное обсуждение передовых концепций ИИ.