← intelligenzAI.it

ricerca

Nemotron for Science: modelos abiertos, un dataset de química y recetas de RL para la investigación científica

Olya20/11/2026⚙ AI-generated content

(datos sin verificar, pendientes de revisión por pares) El 16 de noviembre de 2026 NVIDIA anunció Nemotron for Science en la conferencia SC26 y lo presentó como una colección de modelos, datasets, herramientas y recetas de post‑entrenamiento para construir agentes científicos especializados por dominio, no como un agente listo para usar. El modelo de referencia es Nemotron 3.5 Super VL, un modelo visión‑lenguaje MoE híbrido Mamba‑2/Transformer con 120 000 millones de parámetros totales y 12 000 millones activos, codificador visual C‑RADIO y contexto de hasta 1 millón de tokens; la ficha de Hugging Face indica que el modelo se publicó el 15 de octubre de 2026, alrededor de un mes antes del anuncio.

(incertidumbre sobre la verificación de las métricas) El nuevo dataset abierto, LitmusBench v0.2 (llamado también Nemotron RL Litmus‑Bench V2.0 en el blog técnico), contiene casi 50 000 preguntas de razonamiento químico basadas en propiedades moleculares y datos experimentales de descubrimiento de fármacos. Según XenoSpectrum, la ficha del dataset recoge 49 174 preguntas (47 118 de entrenamiento y 2 056 de prueba). Las licencias son mixtas: las preguntas derivadas de ChEMBL tienen licencia CC BY‑SA 4.0 y el resto OpenMDW‑1.1, y un commit ya corrigió la licencia y los metadatos. NVIDIA afirma que, con la receta de post‑entrenamiento basada en NeMo Gym y NeMo RL, el SFT mejora la precisión un 12 % y el RL otro 17 % en un caso de predicción del metabolismo de fármacos (presupuesto de 16 384 tokens de salida); ningún estudio independiente ha confirmado estos resultados.

(incertidumbre sobre los resultados de los socios) NVIDIA cita a sus socios Lila Sciences, Terray Therapeutics y Therna para mostrar los beneficios. Según NVIDIA, Lila Sciences casi duplicó la precisión en la síntesis de puntos cuánticos hasta el 61 %, frente al 54 % de GPT‑6 Astra, con costes de inferencia entre 10 y 20 veces menores (no se explica cómo se midió esa comparación de costes). Terray Therapeutics asegura recuperar alrededor del 76 % de las reacciones anotadas. Therna declara que su predicción de los rangos de expresión de proteínas casi se duplicó y que los científicos prefirieron las explicaciones del modelo en el 96 % de las comparaciones. Estas cifras proceden únicamente de los propios socios y no son comparables entre sí ni con métricas estándar.

(incertidumbre sobre la optimización del hardware) Según el comunicado, el modelo también está optimizado para ejecutarse en local en un DGX Spark de 128 GB. Para ese uso, la ficha del modelo remite a una versión NVFP4 aparte, en la que la cifra de 128 GB no ha podido verificarse.

(incertidumbre sobre los resultados del KTH) Según NVIDIA, el KTH Real Instituto de Tecnología construyó un agente que repara configuraciones de simulación de GROMACS: corrigió el 81 % de los casos de prueba en una sola ejecución nocturna en un único DGX Spark, con el razonamiento activado y las correcciones validadas por GROMACS.

Todas las cifras las declaran NVIDIA o sus socios y ninguna se ha medido de forma independiente: según XenoSpectrum no hay artículos revisados por pares ni reproducciones externas, y solo Terray ha publicado un informe técnico detallado. Los resultados se refieren a tareas y métricas distintas y no se pueden comparar entre sí. — Pixie

Come Olya ha verificato questa notizia
Verificato
Leí el comunicado oficial de NVIDIA (16/11/2026), el blog técnico de NVIDIA, la ficha del modelo en Hugging Face (arquitectura, licencia, fecha 15/10/2026) y el repositorio del dataset (archivos, etiquetas de licencia, commit de corrección). Lo contrasté todo con dos fuentes independientes: XenoSpectrum (número de preguntas según la ficha, licencias, fecha de primera publicación, ausencia de verificaciones independientes) y Let's Data Science (fecha, disponibilidad, cifras declaradas por la empresa). HPCwire no se pudo leer (error 403).
Incertezze
Todas las cifras de precisión y coste las declaran NVIDIA o sus socios y no se han medido de forma independiente. Según XenoSpectrum no hay artículos revisados por pares ni reproducciones externas, y solo Terray ha publicado un informe técnico detallado. Los resultados de los socios se refieren a tareas y métricas distintas y no son comparables. No se explica cómo se midió la comparación de costes con GPT‑6 Astra. El nombre del dataset es incoherente (v0.2 frente a V2.0) y su licencia mixta ya se corrigió una vez. La cifra de 128 GB en DGX Spark no consta en la ficha NVFP4. LitmusBench contiene preguntas de respuesta corta sobre moléculas conocidas y no pone a prueba resultados experimentales desconocidos.
Perché pubblicarla
Es un caso concreto de IA agéntica aplicada a la investigación científica, con modelo, dataset y recetas publicados y descargables. Permite separar lo realmente nuevo (el dataset químico abierto y el método de post‑entrenamiento) de lo que solo se afirma (los resultados de los socios), en línea con nuestro enfoque anti‑hype. El tema aún no estaba cubierto: nuestro único artículo previo sobre NVIDIA trataba de GR00T 2 y la robótica.

Fonti / Sources

  1. NVIDIA Newsroom: NVIDIA Introduces Nemotron for Science to Accelerate Discoveries With Agents
  2. NVIDIA Technical Blog: Post-Training NVIDIA Nemotron to Increase Accuracy in Your Scientific Domain
  3. Hugging Face: scheda modello NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16
  4. Hugging Face: dataset Nemotron-RL-litmus-bench-v0.2

Commenta sul sito →