Моделі та платформи ШІ
NVIDIA запускає Nemotron для науки та відкритий набір даних із хімії

Ключові моментиВерифікація є основою дизайну пакета, оскільки експериментальні референси та доменне…
Показати більше
- Верифікація є основою дизайну пакета, оскільки експериментальні референси та доменне програмне забезпечення оцінюють вихідні дані моделі.
- LitmusBench перетворює виміряні експериментальні результати на автоматизовані винагороди, що усуває потребу в людському маркуванні переваг.
- Повідомлені NVIDIA покращення охоплюють обмежені завдання і не встановлюють загальну лабораторну автономію.
NVIDIA представила Nemotron для науки 16 листопада 2026 року, поєднавши відкриту модель Nemotron 3.5 Super VL із науковими оцінюваннями, рецептами посттренування та LitmusBench v0.2 — набором даних із хімії, що містить майже 50 000 запитань для навчання й оцінювання дослідницьких агентів.
Цей комплект призначений для агентів, які інтерпретують наукову інформацію, генерують код і викликають обчислювальні інструменти, зокрема програмне забезпечення з прискоренням CUDA-X. Дослідники можуть додатково навчати модель на даних із конкретної галузі для таких завдань, як хімічні експерименти та дизайн білків, адаптуючи універсальну систему зору й мови до певного наукового завдання.
У картці моделі зазначено, що базову модель оприлюднили на Hugging Face 15 жовтня 2026 року; там також описано 120 мільярдів параметрів загалом, 12 мільярдів активних параметрів, текстові, графічні й відеовходи, текстові виходи та контекстне вікно обсягом до одного мільйона токенів. Отже, новизна цього анонсу полягає в наукових даних, оцінюваннях і рецептах адаптації моделі.
Модель і набір даних доступні на Hugging Face, а NVIDIA оптимізувала модель для локального запуску на системі DGX Spark із 128 ГБ пам’яті.
Дані з хімії та навчання з можливістю перевірки
LitmusBench v0.2 спирається на дані про властивості молекул і експериментальні дані з розробки ліків та охоплює такі характеристики, як розчинність і переробка молекул людським організмом. У репозиторії набору даних зазначено, що це англомовні дані для генерування тексту з позначками «хімія», «прогнозування властивостей молекул» і «навчання з підкріпленням на основі винагород, яку можна перевірити»; також наведено ліцензії CC-BY-SA-4.0 і OpenMDW-1.1.
У технічному посібнику NVIDIA описано супровідний рецепт. Експериментальні записи у форматі CSV перетворюють на пари «запитання — відповідь», а виміряні результати використовують як автоматичний засіб перевірки. Так створюється середовище навчання з підкріпленням без розмітки людських уподобань; оцінювання можуть забезпечувати інструменти хемінформатики, молекулярні симулятори або діюча автономна лабораторія.
У прикладі з метаболізмом ліків із посібника модель отримує вихідну молекулу й фермент, а потім прогнозує метаболіт, що утвориться. Оцінка Танімото від нуля до одиниці вимірює подібність між прогнозованими та еталонними молекулярними відбитками й забезпечує винагороду на основі структурної подібності. За даними NVIDIA, у цьому прикладі точність після контрольованого донавчання зросла на 12%, а навчання з підкріпленням додало ще 17% за бюджету вихідних даних у 16 384 токени.
Для необов’язкового попереднього запуску потужніша модель-учитель генерує ланцюжки міркувань, і перед навчанням із підкріпленням залишають лише ті, що відповідають порогу подібності; у прикладі використано Claude Sonnet 5.5 від Anthropic.
Результати на рівні завдань у науках про життя
Анонсовані сфери застосування охоплюють структуроване вилучення хімічних даних, створення лабораторних протоколів і розробку терапевтичних засобів. Наведені NVIDIA результати стосуються обмежених за обсягом завдань і не доводять здатності системи автономно працювати в лабораторії загалом.
Terray Therapeutics додатково навчила Nemotron вилучати реагенти, продукти та умови реакцій із наукових діаграм. За даними NVIDIA, за критеріями зіставлення цього бенчмарку модель відновила близько 76% анотованих реакцій у тесті RxnScribe, допомагаючи перетворювати опубліковані дані з хімії на структуровану інформацію для планування синтезу й роботи наукових агентів.
Lila Sciences використала Nemotron для розробки протоколів, готових до виконання в автоматизованих лабораторіях. За даними NVIDIA, посттренування з використанням лабораторного зворотного зв’язку майже вдвічі підвищило точність синтезу квантових точок — нанорозмірних кристалів, які використовують в екранах і сонячних панелях, — до 61% порівняно з 54% у GPT-6 Astra; вартість інференсу при цьому була у 10–20 разів нижчою.
Therna співпрацювала з NVIDIA над агентним дизайном мРНК-терапевтичних засобів. За даними NVIDIA, налаштована модель майже вдвічі точніше за передові моделі прогнозувала діапазони експресії білків, а в 96% порівнянь науковці віддали перевагу її поясненням, а не поясненням базової моделі.
Дослідницькі впровадження та локальна інфраструктура
Argonne National Laboratory інтегрує Nemotron у StructBioReasoner — мультиагентну систему для розробки й оцінювання кандидатів у білкові терапевтичні засоби проти раку та інших захворювань. Jülich Supercomputing Centre також інтегрує модель у агентів для наукових відкриттів.
KTH Royal Institute of Technology створив агента на базі Nemotron для виправлення несправних конфігурацій молекулярної динаміки GROMACS. За даними NVIDIA, під час одного нічного запуску на одній системі DGX Spark агент виправив 81% тестових випадків, працюючи з увімкненим режимом міркувань; кожне виправлення незалежно перевірив GROMACS.
RIKEN відкрила доступ до моделей Nemotron, зокрема 3.5 Super VL, на своїй суперкомп’ютерній платформі зі штучним інтелектом RIKYU AI через шлюз інференсу RiVault для наукових досліджень і розробки застосунків із прискоренням. Разом із локальними розгортаннями на DGX Spark це дає дослідницьким установам змогу запускати наукові робочі процеси на інфраструктурі, яку вони контролюють.
Об’єднувальним принципом є верифікація: відкрита модель забезпечує міркування та використання інструментів, а експериментальні еталонні дані, зворотний зв’язок із лабораторії або галузеве програмне забезпечення оцінюють її результати. Тому вибір завдань, якість методу оцінювання та перевірка на відкладеній вибірці мають ключове значення для корисності цього пакета: покращення результату на бенчмарку має значення лише тоді, коли засіб верифікації вимірює саме той науковий результат, якого прагнуть дослідники.












