Mô hình và nền tảng AI

NVIDIA ra mắt Nemotron for Science và bộ dữ liệu hóa học mở

Jonas Reeve
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Điểm chínhXác minh là thiết kế cốt lõi của gói vì các tham chiếu thực nghiệm và phần mềm chuyên…
Xem thêm
  • Xác minh là thiết kế cốt lõi của gói vì các tham chiếu thực nghiệm và phần mềm chuyên ngành chấm điểm đầu ra của mô hình.
  • LitmusBench chuyển các kết quả thực nghiệm được đo lường thành phần thưởng tự động, loại bỏ nhu cầu gán nhãn sở thích của con người.
  • Những lợi ích được NVIDIA báo cáo chỉ bao gồm các nhiệm vụ có giới hạn và không thiết lập được khả năng tự chủ phòng thí nghiệm tổng quát.

NVIDIA giới thiệu Nemotron for Science vào ngày 16 tháng 11 năm 2026, kết hợp mô hình Nemotron 3.5 Super VL mở với các bộ đánh giá khoa học, công thức hậu huấn luyện và LitmusBench v0.2 — một bộ dữ liệu hóa học gồm gần 50.000 câu hỏi để huấn luyện và đánh giá các tác tử nghiên cứu.

Gói này được thiết kế cho các tác tử có khả năng diễn giải thông tin khoa học, tạo mã và gọi các công cụ tính toán, trong đó có phần mềm được tăng tốc bằng CUDA-X. Nhà nghiên cứu có thể hậu huấn luyện mô hình bằng dữ liệu chuyên biệt theo lĩnh vực để phục vụ những công việc như thí nghiệm hóa học và thiết kế protein, qua đó điều chỉnh một hệ thống thị giác-ngôn ngữ tổng quát cho một nhiệm vụ khoa học cụ thể.

Thẻ mô hình ghi ngày phát hành mô hình nền tảng trên Hugging Face là 15 tháng 10 năm 2026, đồng thời cho biết mô hình có tổng cộng 120 tỷ tham số, trong đó 12 tỷ tham số hoạt động; nhận đầu vào là văn bản, hình ảnh và video; tạo đầu ra dạng văn bản; và có cửa sổ ngữ cảnh lên đến một triệu token. Vì vậy, điểm mới trong thông báo này nằm ở dữ liệu khoa học, các bộ đánh giá và công thức tùy chỉnh mô hình.

Mô hình và bộ dữ liệu có trên Hugging Face, còn NVIDIA đã tối ưu hóa mô hình để chạy cục bộ trên hệ thống DGX Spark 128GB.

Dữ liệu hóa học và huấn luyện có thể kiểm chứng

LitmusBench v0.2 dựa trên các đặc tính phân tử và dữ liệu khám phá thuốc thực nghiệm, bao quát những đặc điểm như độ hòa tan và cách cơ thể người xử lý các phân tử. Kho lưu trữ bộ dữ liệu xác định đây là dữ liệu tạo văn bản tiếng Anh được gắn thẻ hóa học, dự đoán đặc tính phân tử và học tăng cường với phần thưởng có thể kiểm chứng; đồng thời liệt kê các giấy phép CC-BY-SA-4.0 và OpenMDW-1.1.

Tài liệu hướng dẫn kỹ thuật của NVIDIA giải thích công thức đi kèm. Các bản ghi CSV thực nghiệm được chuyển thành những cặp câu hỏi và câu trả lời, trong đó kết quả đo được đóng vai trò bộ xác minh tự động. Cách làm này tạo ra một môi trường học tăng cường mà không cần gắn nhãn sở thích của con người; các công cụ hóa tin học, trình mô phỏng phân tử hoặc phòng thí nghiệm tự động trực tiếp có thể đảm nhiệm khâu chấm điểm.

Trong ví dụ về chuyển hóa thuốc của tài liệu hướng dẫn, mô hình nhận một phân tử gốc và một enzyme, sau đó dự đoán chất chuyển hóa tạo thành. Điểm Tanimoto từ 0 đến 1 đo mức độ trùng khớp giữa dấu vân tay phân tử dự đoán và dấu vân tay tham chiếu, qua đó tạo phần thưởng dựa trên độ tương đồng về cấu trúc. NVIDIA cho biết trong ví dụ này, tinh chỉnh có giám sát giúp độ chính xác tăng 12%, còn học tăng cường giúp tăng thêm 17% với ngân sách đầu ra 16.384 token.

Có thể tùy chọn khởi tạo mô hình bằng cách dùng một mô hình giáo viên mạnh hơn để tạo các chuỗi suy luận, rồi giữ lại những chuỗi đạt ngưỡng tương đồng trước khi học tăng cường; ví dụ này sử dụng Claude Sonnet 5.5 của Anthropic.

Kết quả theo từng nhiệm vụ trong khoa học sự sống

Các ứng dụng được công bố bao gồm trích xuất hóa chất có cấu trúc, tạo quy trình phòng thí nghiệm và thiết kế liệu pháp. Những kết quả NVIDIA báo cáo này chỉ liên quan đến các nhiệm vụ có phạm vi giới hạn, không chứng minh rằng mô hình có thể tự chủ vận hành phòng thí nghiệm nói chung.

Terray Therapeutics đã hậu huấn luyện Nemotron để trích xuất chất phản ứng, sản phẩm và điều kiện phản ứng từ các sơ đồ khoa học. NVIDIA cho biết mô hình khôi phục được khoảng 76% số phản ứng đã được chú giải trong phép thử RxnScribe, theo tiêu chí đối sánh của bộ tiêu chuẩn này, qua đó giúp chuyển hóa các công trình hóa học đã công bố thành dữ liệu có cấu trúc phục vụ lập kế hoạch tổng hợp và các tác tử khoa học.

Lila Sciences đã dùng Nemotron để thiết kế các quy trình sẵn sàng triển khai cho phòng thí nghiệm tự động của mình. Theo NVIDIA, hậu huấn luyện bằng phản hồi từ phòng thí nghiệm giúp độ chính xác trong chế tạo chấm lượng tử — các tinh thể kích thước nano được dùng trong màn hình và tấm pin mặt trời — tăng gần gấp đôi, lên 61%, so với 54% của GPT-6 Astra, trong khi chi phí suy luận thấp hơn từ 10 đến 20 lần.

Therna hợp tác với NVIDIA trong thiết kế liệu pháp mRNA bằng tác tử. Theo NVIDIA, mô hình đã tinh chỉnh đạt độ chính xác gần gấp đôi so với các mô hình tiên phong khi dự đoán khoảng biểu hiện protein; trong 96% số lần so sánh, các nhà khoa học cũng ưa thích phần giải thích của mô hình này hơn phần giải thích của mô hình cơ sở.

Triển khai nghiên cứu và hạ tầng tại chỗ

Argonne National Laboratory đang tích hợp Nemotron vào StructBioReasoner, một hệ thống đa tác tử dùng để thiết kế và đánh giá các ứng viên liệu pháp dựa trên protein nhằm điều trị ung thư và các bệnh khác. Jülich Supercomputing Centre cũng đang tích hợp mô hình này vào các tác tử khám phá khoa học.

KTH Royal Institute of Technology đã xây dựng một tác tử Nemotron để sửa các cấu hình mô phỏng động lực học phân tử GROMACS bị lỗi. NVIDIA cho biết tác tử đã sửa được 81% trường hợp kiểm thử khi bật khả năng suy luận, trong một lần chạy qua đêm trên một máy DGX Spark; GROMACS đã kiểm tra độc lập từng bản sửa.

RIKEN đã cung cấp các mô hình Nemotron, trong đó có 3.5 Super VL, trên nền tảng siêu máy tính AI RIKYU thông qua cổng suy luận RiVault, phục vụ nghiên cứu khoa học và phát triển ứng dụng tăng tốc. Cùng với việc triển khai cục bộ trên DGX Spark, điều này mang đến cho các tổ chức nghiên cứu một phương thức chạy quy trình khoa học trên hạ tầng do chính họ kiểm soát.

Nguyên tắc thiết kế xuyên suốt là kiểm chứng: mô hình mở đảm nhiệm suy luận và sử dụng công cụ, trong khi các tài liệu tham chiếu thực nghiệm, phản hồi từ phòng thí nghiệm hoặc phần mềm chuyên ngành dùng để chấm điểm đầu ra của mô hình. Vì vậy, việc lựa chọn tác vụ, chất lượng của phương pháp chấm điểm và đánh giá trên tập dữ liệu giữ lại là những yếu tố then chốt quyết định tính hữu ích của bộ công cụ này: mức cải thiện trên điểm chuẩn chỉ có ý nghĩa khi phương pháp kiểm chứng đo lường đúng kết quả khoa học mà các nhà nghiên cứu thực sự mong muốn.

Jonas Reeve là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, tập trung vào AI nhận thức, trí tuệ nhân tạo chung (AGI), và các nền tảng lý thuyết của trí thông minh máy móc. Công việc của ông khám phá cách mà học tập, suy luận, trí nhớ và trừu tượng xuất hiện trong cả hệ thống sinh học và nhân tạo, tạo ra các mối liên kết giữa kiến trúc AI hiện đại và những câu hỏi lâu đời trong khoa học nhận thức và triết học tâm trí.

Với cách tiếp cận khái niệm và suy ngẫm, Jonas xem xét các khung như mô hình suy luận, hệ thống tác nhân AI, nhận thức nổi lên, và lý thuyết cân chỉnh, nhằm làm rõ tiến bộ hướng tới AGI thực sự có nghĩa là gì — và không phải là gì. Thay vì chạy theo các thời gian biểu hay sự thổi phồng, ông nhấn mạnh các nguyên tắc nền tảng, tính chặt chẽ khái niệm, và giới hạn của các mô hình hiện tại.

Các bài viết do Jonas Reeve viết được tạo ra bằng AI và được đội ngũ biên tập của Unite.AI xem xét để đảm bảo độ chính xác, rõ ràng và thảo luận có trách nhiệm về các khái niệm AI tiên tiến.