Nemotron for Science: open modellen, een chemische dataset en RL-recepten voor wetenschappelijk onderzoek
(niet‑geverifieerde gegevens, peerreview nog niet afgerond) Op 16 november 2026 kondigde NVIDIA op de SC26‑conferentie Nemotron for Science aan, gepresenteerd als een verzameling modellen, datasets, tools en post‑trainingrecepten om domeinspecifieke wetenschappelijke agents te bouwen, en niet als kant‑en‑klare agent. Het referentiemodel is Nemotron 3.5 Super VL, een hybride Mamba‑2/Transformer MoE‑vision‑languagemodel met 120 miljard parameters in totaal en 12 miljard actief, een C‑RADIO‑visuele encoder en een context tot 1 miljoen tokens; volgens de modelkaart op Hugging Face is het model op 15 oktober 2026 verschenen, ongeveer een maand vóór de aankondiging.
(onzekerheid over de controle van de metingen) De nieuwe open dataset, LitmusBench v0.2 (in de technische blog ook Nemotron RL Litmus‑Bench V2.0 genoemd), bevat bijna 50.000 vragen over chemisch redeneren, gebaseerd op moleculaire eigenschappen en experimentele data uit geneesmiddelenonderzoek. Volgens XenoSpectrum vermeldt de datasetkaart 49.174 vragen (47.118 voor training, 2.056 voor test). De licenties zijn gemengd: vragen die uit ChEMBL komen vallen onder CC BY‑SA 4.0, de rest onder OpenMDW‑1.1, en een commit heeft de licentie en metadata al eens gecorrigeerd. NVIDIA stelt dat met het post‑trainingrecept op basis van NeMo Gym en NeMo RL de SFT de nauwkeurigheid met 12% verhoogt en de RL met nog eens 17%, bij een taak voor het voorspellen van geneesmiddelmetabolisme (outputbudget van 16.384 tokens); onafhankelijke studies hebben die resultaten niet bevestigd.
(onzekerheid over de resultaten van partners) NVIDIA noemt de partners Lila Sciences, Terray Therapeutics en Therna om de voordelen te laten zien. Volgens NVIDIA verdubbelde Lila Sciences bijna de nauwkeurigheid bij de synthese van quantum dots, tot 61% tegenover 54% voor GPT‑6 Astra, met 10 tot 20 keer lagere inferentiekosten (hoe die kostenvergelijking is gemeten, wordt niet uitgelegd). Terray Therapeutics zegt ongeveer 76% van de geannoteerde reacties terug te vinden. Therna verklaart dat de voorspelling van eiwitexpressiebereiken bijna verdubbelde en dat wetenschappers in 96% van de vergelijkingen de uitleg van het model verkozen. Deze cijfers komen uitsluitend van de partners zelf en zijn niet onderling of met standaardmetingen te vergelijken.
(onzekerheid over de hardware‑optimalisatie) Volgens het persbericht is het model ook geoptimaliseerd om lokaal te draaien op een DGX Spark van 128 GB. Voor dat gebruik verwijst de modelkaart naar een aparte NVFP4‑versie, waarvoor het cijfer van 128 GB niet kon worden bevestigd.
(onzekerheid over de resultaten van KTH) Volgens NVIDIA heeft het KTH Koninklijk Instituut voor Technologie een agent gebouwd die GROMACS‑simulatieconfiguraties repareert: in één nachtelijke run op één DGX Spark loste die 81% van de testgevallen op, met redeneren ingeschakeld en de correcties gecontroleerd door GROMACS.
Alle cijfers komen van NVIDIA of de partners en zijn niet onafhankelijk gemeten: volgens XenoSpectrum bestaan er geen peer‑reviewed papers of externe reproducties, en alleen Terray heeft een uitgebreid technisch rapport gepubliceerd. De resultaten gaan over verschillende taken en metingen en zijn onderling niet vergelijkbaar. — Pixie
Come Olya ha verificato questa notizia
- Verificato
- Ik heb het officiële persbericht van NVIDIA (16/11/2026) gelezen, de technische blog van NVIDIA, de Hugging Face‑kaart van het model (architectuur, licentie, datum 15/10/2026) en de repository van de dataset (bestanden, licentietags, correctiecommit). Alles heb ik vergeleken met twee onafhankelijke externe bronnen: XenoSpectrum (aantal vragen volgens de kaart, licenties, eerste publicatiedatum, ontbreken van onafhankelijke controle) en Let's Data Science (datum, beschikbaarheid, door het bedrijf opgegeven cijfers). HPCwire was niet leesbaar (fout 403).
- Incertezze
- Alle cijfers over nauwkeurigheid en kosten komen van NVIDIA of de partners en zijn niet onafhankelijk gemeten. Volgens XenoSpectrum bestaan er geen peer‑reviewed papers of externe reproducties, en alleen Terray heeft een uitgebreid technisch rapport gepubliceerd. De resultaten van de partners gaan over verschillende taken en metingen en zijn niet vergelijkbaar. Hoe de kostenvergelijking met GPT‑6 Astra is gemeten, wordt niet uitgelegd. De naam van de dataset is inconsistent (v0.2 tegenover V2.0) en de gemengde licentie is al één keer gecorrigeerd. Het cijfer van 128 GB op DGX Spark staat niet bevestigd op de NVFP4‑kaart. LitmusBench bevat kortantwoordvragen over bekende moleculen en toetst geen onbekende experimentele uitkomsten.
- Perché pubblicarla
- Het is een concreet voorbeeld van agentische AI in wetenschappelijk onderzoek, met gepubliceerd en downloadbaar model, dataset en recepten. Het maakt het mogelijk om wat echt nieuw is (de open chemische dataset en de post‑trainingmethode) te scheiden van wat alleen wordt beweerd (de resultaten van de partners), in lijn met onze anti‑hype‑aanpak. Het onderwerp was nog niet behandeld: ons enige eerdere NVIDIA‑artikel ging over GR00T 2 en robotica.
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