โมเดลและแพลตฟอร์ม AI
NVIDIA เปิดตัว Nemotron สำหรับวิทยาศาสตร์และชุดข้อมูลเคมีแบบเปิด

ประเด็นสำคัญการตรวจสอบคือหัวใจของการออกแบบแพ็กเกจนี้…
ดูเพิ่มเติม
- การตรวจสอบคือหัวใจของการออกแบบแพ็กเกจนี้ เพราะข้อมูลอ้างอิงจากการทดลองและซอฟต์แวร์เฉพาะทางเป็นตัวให้คะแนนผลลัพธ์ของโมเดล
- LitmusBench เปลี่ยนผลลัพธ์จากการทดลองที่วัดได้ให้เป็นรางวัลอัตโนมัติ ซึ่งขจัดความจำเป็นในการติดป้ายความชอบโดยมนุษย์
- ผลประโยชน์ที่ NVIDIA รายงานครอบคลุมเพียงงานที่มีขอบเขตจำกัด และไม่ได้ยืนยันความเป็นอิสระของห้องปฏิบัติการโดยทั่วไป
NVIDIA เปิดตัว Nemotron for Science เมื่อวันที่ 16 พฤศจิกายน 2026 โดยจับคู่โมเดล Nemotron 3.5 Super VL แบบเปิด เข้ากับการประเมินด้านวิทยาศาสตร์ สูตรการฝึกเพิ่มเติมหลังการฝึกล่วงหน้า และ LitmusBench v0.2 ซึ่งเป็นชุดข้อมูลเคมีที่มีคำถามเกือบ 50,000 ข้อ สำหรับฝึกและประเมินเอเจนต์งานวิจัย
ชุดเครื่องมือนี้ออกแบบมาสำหรับเอเจนต์ที่ตีความข้อมูลทางวิทยาศาสตร์ สร้างโค้ด และเรียกใช้เครื่องมือคำนวณ ซึ่งรวมถึงซอฟต์แวร์ที่เร่งความเร็วด้วย CUDA-X นักวิจัยสามารถฝึกโมเดลเพิ่มเติมด้วยข้อมูลเฉพาะสาขา เพื่อใช้งานต่าง ๆ เช่น การทดลองทางเคมีและการออกแบบโปรตีน โดยปรับระบบภาพและภาษาทั่วไปให้เหมาะกับงานวิทยาศาสตร์เฉพาะด้าน
การ์ดข้อมูลโมเดลระบุว่าโมเดลพื้นฐานเผยแพร่บน Hugging Face เมื่อวันที่ 15 ตุลาคม 2026 และมีพารามิเตอร์ทั้งหมด 120,000 ล้านพารามิเตอร์ โดยเป็นพารามิเตอร์ที่ทำงานอยู่ 12,000 ล้านพารามิเตอร์ รองรับอินพุตทั้งข้อความ ภาพ และวิดีโอ สร้างเอาต์พุตเป็นข้อความ และมีหน้าต่างบริบทสูงสุดหนึ่งล้านโทเค็น ดังนั้น เนื้อหาใหม่ของการประกาศครั้งนี้จึงอยู่ที่ข้อมูลวิทยาศาสตร์ การประเมิน และสูตรการปรับแต่งโมเดล
โมเดลและชุดข้อมูลเปิดให้ใช้งานบน Hugging Face และ NVIDIA ได้ปรับแต่งโมเดลให้ทำงานภายในเครื่องบนระบบ DGX Spark ที่มีหน่วยความจำ 128GB
ข้อมูลเคมีและการฝึกที่ตรวจสอบผลได้
LitmusBench v0.2 รวบรวมข้อมูลคุณสมบัติของโมเลกุลและข้อมูลการค้นคว้ายาทดลอง โดยครอบคลุมพฤติกรรมต่าง ๆ เช่น การละลาย และวิธีที่ร่างกายมนุษย์ประมวลผลโมเลกุล คลังชุดข้อมูลระบุว่าเป็นข้อมูลสร้างข้อความภาษาอังกฤษที่ติดแท็กสำหรับเคมี การทำนายคุณสมบัติของโมเลกุล และการเรียนรู้แบบเสริมกำลังที่ใช้รางวัลซึ่งตรวจสอบผลได้ พร้อมระบุสัญญาอนุญาต CC-BY-SA-4.0 และ OpenMDW-1.1
คู่มือทางเทคนิคของ NVIDIAอธิบายสูตรการทำงานที่มาพร้อมกัน โดยแปลงระเบียน CSV จากการทดลองเป็นคู่คำถามและคำตอบ และใช้ผลลัพธ์ที่วัดได้เป็นตัวตรวจสอบอัตโนมัติ วิธีนี้ทำให้เกิดสภาพแวดล้อมสำหรับการเรียนรู้แบบเสริมกำลังโดยไม่ต้องติดป้ายกำกับความพึงพอใจของมนุษย์ ส่วนเครื่องมือเคมีสารสนเทศ โปรแกรมจำลองโมเลกุล หรือห้องปฏิบัติการอัตโนมัติที่ทำงานจริง สามารถทำหน้าที่เป็นส่วนให้คะแนนได้
ในตัวอย่างการเผาผลาญยาของคู่มือ โมเดลได้รับโมเลกุลตั้งต้นและเอนไซม์ จากนั้นจึงทำนายเมแทบอไลต์ที่เกิดขึ้น คะแนนทานิโมโตตั้งแต่ศูนย์ถึงหนึ่งใช้วัดความทับซ้อนระหว่างลายนิ้วมือโมเลกุลที่ทำนายได้กับลายนิ้วมืออ้างอิง และให้รางวัลตามความคล้ายคลึงเชิงโครงสร้าง NVIDIA รายงานว่า ในตัวอย่างนี้ การปรับจูนแบบมีผู้สอนช่วยเพิ่มความแม่นยำ 12% และการเรียนรู้แบบเสริมกำลังช่วยเพิ่มขึ้นอีก 17% โดยกำหนดงบเอาต์พุตไว้ที่ 16,384 โทเค็น
การเริ่มต้นแบบอุ่นเครื่องเป็นทางเลือกหนึ่ง โดยใช้โมเดลครูที่มีความสามารถสูงกว่าเพื่อสร้างร่องรอยการให้เหตุผล แล้วคัดเก็บเฉพาะรายการที่ผ่านเกณฑ์ความคล้ายคลึงก่อนเริ่มการเรียนรู้แบบเสริมกำลัง ตัวอย่างนี้ใช้ Claude Sonnet 5.5 ของ Anthropic
ผลลัพธ์ระดับงานในวิทยาศาสตร์ชีวภาพ
การใช้งานที่ประกาศครอบคลุมการดึงข้อมูลเคมีแบบมีโครงสร้าง การสร้างแนวทางปฏิบัติในห้องปฏิบัติการ และการออกแบบการรักษา ผลลัพธ์เหล่านี้ซึ่ง NVIDIA รายงานเป็นผลจากงานที่มีขอบเขตชัดเจน และไม่ได้ยืนยันว่าโมเดลมีความสามารถทำงานในห้องปฏิบัติการได้อย่างอิสระทั่วไป
Terray Therapeutics ฝึก Nemotron เพิ่มเติมเพื่อดึงสารตั้งต้น ผลิตภัณฑ์ และเงื่อนไขของปฏิกิริยาจากแผนภาพทางวิทยาศาสตร์ NVIDIA รายงานว่าโมเดลค้นคืนปฏิกิริยาที่มีคำกำกับไว้ได้ประมาณ 76% ในการทดสอบ RxnScribe ตามเกณฑ์การจับคู่ของการประเมินดังกล่าว ซึ่งช่วยเปลี่ยนข้อมูลเคมีที่ตีพิมพ์แล้วให้เป็นข้อมูลแบบมีโครงสร้างสำหรับวางแผนการสังเคราะห์และใช้กับเอเจนต์งานวิทยาศาสตร์
Lila Sciences ใช้ Nemotron ออกแบบแนวทางปฏิบัติที่พร้อมนำไปใช้กับห้องปฏิบัติการอัตโนมัติ ตามรายงานของ NVIDIA การฝึกเพิ่มเติมด้วยข้อมูลป้อนกลับจากห้องปฏิบัติการทำให้ความแม่นยำในการผลิตควอนตัมดอต ซึ่งเป็นผลึกระดับนาโนที่ใช้ในหน้าจอและแผงโซลาร์เซลล์ เพิ่มขึ้นเกือบสองเท่าเป็น 61% เทียบกับ 54% ของ GPT-6 Astra โดยมีต้นทุนการอนุมานต่ำกว่า 10–20 เท่า
Therna ร่วมมือกับ NVIDIA ในการออกแบบการรักษาด้วย mRNA โดยใช้เอเจนต์ ตามรายงานของ NVIDIA โมเดลที่ผ่านการปรับแต่งมีความแม่นยำในการทำนายช่วงการแสดงออกของโปรตีนเกือบสองเท่าของโมเดลแนวหน้า และนักวิทยาศาสตร์ชื่นชอบคำอธิบายของโมเดลนี้มากกว่าคำอธิบายของโมเดลพื้นฐานในการเปรียบเทียบ 96% ของทั้งหมด
การนำไปใช้ในการวิจัยและโครงสร้างพื้นฐานภายในองค์กร
Argonne National Laboratory กำลังผสาน Nemotron เข้ากับ StructBioReasoner ซึ่งเป็นระบบหลายเอเจนต์สำหรับออกแบบและประเมินตัวเลือกการรักษาที่ใช้โปรตีนสำหรับโรคมะเร็งและโรคอื่น ๆ ส่วน Jülich Supercomputing Centre ก็กำลังผสานโมเดลนี้เข้ากับเอเจนต์สำหรับการค้นพบทางวิทยาศาสตร์เช่นกัน
KTH Royal Institute of Technology สร้างเอเจนต์ Nemotron เพื่อซ่อมแซมการตั้งค่า GROMACS สำหรับพลวัตของโมเลกุลที่ขัดข้อง NVIDIA รายงานว่าเอเจนต์แก้ไขกรณีทดสอบได้ 81% โดยเปิดใช้การให้เหตุผลระหว่างการทำงานข้ามคืนหนึ่งครั้งบน DGX Spark เครื่องเดียว และ GROMACS ตรวจสอบการแก้ไขทุกครั้งอย่างเป็นอิสระ
RIKEN เปิดให้ใช้งานโมเดล Nemotron รวมถึง 3.5 Super VL บนแพลตฟอร์มซูเปอร์คอมพิวเตอร์ AI RIKYU ผ่านเกตเวย์การอนุมาน RiVault เพื่อการวิจัยทางวิทยาศาสตร์และการพัฒนาแอปพลิเคชันแบบเร่งความเร็ว เมื่อรวมกับการติดตั้งใช้งานภายในองค์กรบน DGX Spark แล้ว แนวทางนี้ช่วยให้องค์กรวิจัยสามารถเรียกใช้เวิร์กโฟลว์ทางวิทยาศาสตร์บนโครงสร้างพื้นฐานที่ตนควบคุมได้
แนวคิดหลักของการออกแบบนี้คือการตรวจสอบยืนยัน โดยโมเดลแบบเปิดทำหน้าที่ให้เหตุผลและใช้เครื่องมือ ขณะที่ข้อมูลอ้างอิงจากการทดลอง ผลตอบรับจากห้องปฏิบัติการ หรือซอฟต์แวร์เฉพาะสาขาใช้ประเมินผลลัพธ์ของโมเดล ด้วยเหตุนี้ การเลือกงาน คุณภาพของวิธีให้คะแนน และการประเมินด้วยข้อมูลที่กันไว้จึงเป็นปัจจัยสำคัญต่อประโยชน์ของชุดเครื่องมือนี้ การปรับปรุงผลการทดสอบบนเกณฑ์มาตรฐานจะมีความหมายก็ต่อเมื่อตัวตรวจสอบวัดผลลัพธ์ทางวิทยาศาสตร์ที่นักวิจัยต้องการได้จริง












