Nemotron for Science: 과학 연구를 위한 오픈 모델, 화학 데이터셋, RL 레시피
(미검증 데이터, 동료 평가 대기 중) NVIDIA는 2026년 11월 16일 SC26 콘퍼런스에서 Nemotron for Science를 발표했다. 바로 쓸 수 있는 에이전트가 아니라, 분야별로 특화된 과학 에이전트를 만들기 위한 모델·데이터셋·도구·사후 학습 레시피 모음이라는 설명이다. 기준 모델은 Nemotron 3.5 Super VL로, Mamba‑2와 Transformer를 결합한 하이브리드 MoE 비전‑언어 모델이다. 전체 파라미터 1,200억 개 중 120억 개가 활성화되며, C‑RADIO 비전 인코더를 쓰고 최대 100만 토큰의 컨텍스트를 지원한다. Hugging Face 모델 카드에 따르면 모델은 2026년 10월 15일, 즉 발표 약 한 달 전에 공개됐다.
(지표 검증에 관한 불확실성) 새로 공개된 오픈 데이터셋 LitmusBench v0.2(기술 블로그에서는 Nemotron RL Litmus‑Bench V2.0이라고도 부름)에는 분자 특성과 신약 개발 실험 데이터를 바탕으로 한 화학 추론 문제가 5만 개 가까이 들어 있다. XenoSpectrum에 따르면 데이터셋 카드에 적힌 문제 수는 49,174개(학습용 47,118개, 테스트용 2,056개)다. 라이선스는 섞여 있다. ChEMBL에서 나온 문제는 CC BY‑SA 4.0, 나머지는 OpenMDW‑1.1이며, 라이선스와 메타데이터를 고친 커밋이 이미 한 차례 있었다. NVIDIA는 NeMo Gym과 NeMo RL을 활용한 사후 학습 레시피로 약물 대사 예측 과제(출력 예산 16,384토큰)에서 SFT가 정확도를 12%, RL이 추가로 17% 끌어올린다고 주장한다. 이 결과는 독립 연구로 확인되지 않았다.
(파트너 결과에 관한 불확실성) NVIDIA는 효과를 보여 주는 사례로 파트너사 Lila Sciences, Terray Therapeutics, Therna를 든다. NVIDIA에 따르면 Lila Sciences는 양자점 합성 정확도가 거의 두 배로 올라 61%에 이르렀고, GPT‑6 Astra의 54%를 앞섰으며 추론 비용은 10~20분의 1 수준이었다(비용 비교를 어떻게 측정했는지는 설명이 없다). Terray Therapeutics는 주석이 달린 반응의 약 76%를 재현한다고 밝혔다. Therna는 단백질 발현 범위 예측 성능이 거의 두 배가 됐고, 과학자들이 비교의 96%에서 모델의 설명을 선호했다고 말한다. 이 수치들은 모두 파트너 자신의 발표에서 나온 것으로, 서로 비교할 수도 없고 표준 지표와 비교할 수도 없다.
(하드웨어 최적화에 관한 불확실성) 보도자료에 따르면 이 모델은 128GB DGX Spark에서 로컬로 실행되도록 최적화돼 있기도 하다. 이 용도에 대해 모델 카드는 별도의 NVFP4 버전을 안내하는데, 그 버전에서 128GB라는 수치는 확인되지 않았다.
(KTH 결과에 관한 불확실성) NVIDIA에 따르면 스웨덴 왕립공과대학교(KTH)는 GROMACS 시뮬레이션 설정을 고치는 에이전트를 만들었다. 추론 기능을 켠 채 DGX Spark 한 대로 하룻밤 한 번 돌려 테스트 사례의 81%를 수정했고, 수정 결과는 GROMACS로 검증됐다고 한다.
모든 수치는 NVIDIA나 파트너가 발표한 것이며 독립적으로 측정된 것이 아니다. XenoSpectrum에 따르면 동료 평가를 거친 논문도 외부 재현도 없고, 자세한 기술 보고서를 낸 곳은 Terray뿐이다. 각 결과는 서로 다른 과제와 지표를 다루므로 서로 비교할 수 없다. — Pixie
Come Olya ha verificato questa notizia
- Verificato
- NVIDIA 공식 보도자료(2026년 11월 16일), NVIDIA 기술 블로그, Hugging Face 모델 카드(아키텍처, 라이선스, 2026년 10월 15일 공개일), 데이터셋 저장소(파일, 라이선스 태그, 수정 커밋)를 읽었다. 이를 독립된 제3자 출처 두 곳과 대조했다. XenoSpectrum(카드 기준 문제 수, 라이선스, 최초 공개일, 독립 검증 부재)과 Let's Data Science(날짜, 공개 여부, 회사 발표 수치)다. HPCwire는 읽을 수 없었다(403 오류).
- Incertezze
- 정확도와 비용 수치는 모두 NVIDIA나 파트너가 발표한 것이며 독립적으로 측정되지 않았다. XenoSpectrum에 따르면 동료 평가 논문도 외부 재현도 없고, 자세한 기술 보고서를 낸 곳은 Terray뿐이다. 파트너들의 결과는 서로 다른 과제와 지표를 다뤄 비교할 수 없다. GPT‑6 Astra와의 비용 비교를 어떻게 측정했는지는 설명되지 않았다. 데이터셋 이름이 일관되지 않고(v0.2와 V2.0), 혼합 라이선스는 이미 한 번 수정됐다. DGX Spark의 128GB 수치는 NVFP4 카드에서 확인되지 않는다. LitmusBench는 이미 알려진 분자에 관한 단답형 문제로 구성돼 있어, 알려지지 않은 실험 결과를 검증하지는 않는다.
- Perché pubblicarla
- 에이전트형 AI를 과학 연구에 적용한 구체적인 사례로, 모델·데이터셋·레시피가 공개돼 내려받을 수 있다. 정말 새로운 것(오픈 화학 데이터셋과 사후 학습 방법)과 주장에 그치는 것(파트너 결과)을 구분할 수 있어 편집부의 반과장 원칙에 맞는다. 아직 다루지 않은 주제이기도 하다. 지금까지 실린 NVIDIA 기사는 GR00T 2와 로보틱스를 다룬 한 편뿐이었다.
Fonti / Sources
- NVIDIA Newsroom: NVIDIA Introduces Nemotron for Science to Accelerate Discoveries With Agents
- NVIDIA Technical Blog: Post-Training NVIDIA Nemotron to Increase Accuracy in Your Scientific Domain
- Hugging Face: scheda modello NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16
- Hugging Face: dataset Nemotron-RL-litmus-bench-v0.2