AI-modeller och plattformar
NVIDIA lanserar Nemotron för vetenskap och ett öppet kemidataset

Viktiga punkterVerifiering är paketets centrala design eftersom experimentella referenser och…
Visa mer
- Verifiering är paketets centrala design eftersom experimentella referenser och domänprogramvara poängsätter modellens utdata.
- LitmusBench omvandlar uppmätta experimentella resultat till automatiserade belöningar som tar bort behovet av mänsklig preferensmärkning.
- NVIDIAs rapporterade vinster omfattar avgränsade uppgifter och fastställer inte allmän laboratorieautonomi.
NVIDIA presenterade Nemotron för vetenskap den 16 november 2026. Lanseringen kombinerar deras öppna Nemotron 3.5 Super VL-modell med vetenskapliga utvärderingar, recept för efterträning och LitmusBench v0.2, ett kemidataset med närmare 50 000 frågor för träning och utvärdering av forskningsagenter.
Paketet är avsett för agenter som tolkar vetenskaplig information, genererar kod och använder beräkningsverktyg, däribland programvara accelererad med CUDA-X. Forskare kan efterträna modellen med domänspecifika data för uppgifter som kemiska experiment och proteindesign och därigenom anpassa ett allmänt syn-lingvistiskt system till en viss vetenskaplig uppgift.
Modellkortet anger att den underliggande modellen släpptes på Hugging Face den 15 oktober 2026 och beskriver 120 miljarder parametrar totalt, varav 12 miljarder aktiva, indata i form av text, bilder och video, textutdata samt ett kontextfönster på upp till en miljon token. Det vetenskapliga materialet, utvärderingarna och recepten för anpassning utgör alltså det nya i tillkännagivandet.
Modellen och datasetet finns på Hugging Face, och NVIDIA har optimerat modellen för lokal körning på ett DGX Spark-system med 128 GB minne.
Kemidata och verifierbar träning
LitmusBench v0.2 bygger på molekylära egenskaper och experimentella data från läkemedelsutveckling och omfattar bland annat löslighet och hur människokroppen omsätter molekyler. Datasetets datalager anger att det består av engelskspråkiga data för textgenerering, märkta för kemi, prediktion av molekylära egenskaper och förstärkningsinlärning med verifierbara belöningar. Där listas licenserna CC-BY-SA-4.0 och OpenMDW-1.1.
En teknisk guide från NVIDIA förklarar det tillhörande receptet. Experimentella CSV-poster omvandlas till fråge- och svarspar, där de uppmätta resultaten fungerar som en automatisk verifierare. Det skapar en miljö för förstärkningsinlärning utan mänsklig preferensmärkning; verktyg för kemoinformatik, molekylsimulatorer eller ett fungerande autonomt laboratorium kan tillhandahålla poängsättningen.
I guidens exempel på läkemedelsmetabolism får modellen en modermolekyl och ett enzym och förutsäger sedan den metabolit som bildas. Ett Tanimoto-poängtal från 0 till 1 mäter överlappningen mellan de förutsagda molekylära fingeravtrycken och referensfingeravtrycken och ger en belöning baserad på strukturell likhet. NVIDIA uppger att övervakad finjustering förbättrade träffsäkerheten med 12 % i exemplet och att förstärkningsinlärning gav ytterligare 17 % vid en utdatabudget på 16 384 token.
En valfri varmstart använder en starkare lärarmodell för att generera resonemangskedjor och behåller dem som uppfyller likhetströskeln före förstärkningsinlärningen. I exemplet används Claude Sonnet 5.5 från Anthropic.
Resultat på uppgiftsnivå inom biovetenskap
De presenterade tillämpningarna omfattar strukturerad extraktion av kemiska data, generering av laboratorieprotokoll och terapeutisk design. Dessa resultat, som rapporterats av NVIDIA, gäller avgränsade uppgifter och visar inte att systemet har generell autonomi i laboratoriemiljö.
Terray Therapeutics eftertränade Nemotron för att extrahera reaktanter, produkter och reaktionsförhållanden ur vetenskapliga diagram. NVIDIA uppger att modellen återfann omkring 76 % av de annoterade reaktionerna i RxnScribe-testet enligt testets kriterier för matchning. Det bidrar till att omvandla publicerad kemi till strukturerade data för syntesplanering och vetenskapliga agenter.
Lila Sciences använde Nemotron för att utforma protokoll som var redo att köras i företagets automatiserade laboratorier. Enligt NVIDIA ledde efterträning med återkoppling från laboratoriet till att träffsäkerheten för framställning av kvantprickar – nanokristaller som används i skärmar och solpaneler – nästan fördubblades till 61 %, jämfört med 54 % för GPT-6 Astra, samtidigt som inferenskostnaden var 10–20 gånger lägre.
Therna samarbetade med NVIDIA kring agentbaserad design av mRNA-terapier. Enligt NVIDIA uppnådde den finjusterade modellen nästan dubbelt så hög träffsäkerhet som de ledande modellerna när den förutsade intervall för proteinuttryck. I 96 % av jämförelserna föredrog forskarna dess förklaringar framför basmodellens.
Forskningsimplementeringar och lokal infrastruktur
Argonne National Laboratory integrerar Nemotron i StructBioReasoner, ett system med flera agenter för att utforma och utvärdera proteinbaserade läkemedelskandidater mot cancer och andra sjukdomar. Jülich Supercomputing Centre integrerar också modellen i agenter för vetenskapliga upptäckter.
KTH Kungliga Tekniska högskolan byggde en Nemotron-agent för att reparera felaktiga GROMACS-konfigurationer för molekyldynamik. NVIDIA uppger att agenten åtgärdade 81 % av testfallen med resonemang aktiverat under en nattkörning på en enda DGX Spark, och att GROMACS verifierade varje åtgärd oberoende.
RIKEN har gjort Nemotron-modeller, däribland 3.5 Super VL, tillgängliga på sin AI-superdatorplattform RIKYU via inferensportalen RiVault för vetenskaplig forskning och utveckling av accelererade applikationer. Tillsammans med lokala DGX Spark-installationer ger det forskningsorganisationer möjlighet att köra vetenskapliga arbetsflöden på infrastruktur som de själva kontrollerar.
Den sammanhållande principen är verifiering: den öppna modellen står för resonemang och verktygsanvändning, medan experimentella referensvärden, återkoppling från laboratoriet eller ämnesspecifik programvara bedömer dess resultat. Därför är valet av uppgifter, kvaliteten på bedömningsmetoden och utvärdering på undanhållna data centrala för paketets användbarhet: en förbättring i ett riktmärke spelar bara roll om verifieraren mäter det vetenskapliga resultat som forskarna faktiskt vill uppnå.












