Nemotron for Science: otwarte modele, zbiór danych chemicznych i przepisy RL dla badań naukowych
(dane niezweryfikowane, w oczekiwaniu na recenzję naukową) 16 listopada 2026 r. na konferencji SC26 NVIDIA ogłosiła Nemotron for Science i przedstawiła go jako zestaw modeli, zbiorów danych, narzędzi i przepisów post‑treningu do budowy agentów naukowych wyspecjalizowanych w danej dziedzinie, a nie jako gotowego agenta. Modelem referencyjnym jest Nemotron 3.5 Super VL, hybrydowy model wizyjno‑językowy MoE Mamba‑2/Transformer o 120 mld parametrów łącznie i 12 mld aktywnych, z enkoderem obrazu C‑RADIO i kontekstem do 1 mln tokenów; według karty na Hugging Face model opublikowano 15 października 2026 r., mniej więcej miesiąc przed ogłoszeniem.
(niepewność co do weryfikacji metryk) Nowy otwarty zbiór danych LitmusBench v0.2 (w blogu technicznym nazywany też Nemotron RL Litmus‑Bench V2.0) zawiera blisko 50 000 pytań z rozumowania chemicznego opartych na właściwościach cząsteczek i danych eksperymentalnych z poszukiwania leków. Według XenoSpectrum karta zbioru podaje 49 174 pytania (47 118 treningowych i 2056 testowych). Licencje są mieszane: pytania pochodzące z ChEMBL objęte są licencją CC BY‑SA 4.0, pozostałe OpenMDW‑1.1, a jeden commit poprawił już licencję i metadane. NVIDIA twierdzi, że dzięki przepisowi post‑treningu opartemu na NeMo Gym i NeMo RL SFT podnosi dokładność o 12%, a RL o kolejne 17% w zadaniu przewidywania metabolizmu leków (budżet 16 384 tokenów na wyjściu); niezależne badania nie potwierdziły tych wyników.
(niepewność co do wyników partnerów) NVIDIA powołuje się na partnerów Lila Sciences, Terray Therapeutics i Therna, by pokazać korzyści. Według NVIDIA w Lila Sciences dokładność syntezy kropek kwantowych niemal się podwoiła, do 61% wobec 54% dla GPT‑6 Astra, przy kosztach wnioskowania 10–20 razy niższych (nie wyjaśniono, jak zmierzono to porównanie kosztów). Terray Therapeutics twierdzi, że odtwarza około 76% opisanych reakcji. Therna deklaruje, że przewidywanie zakresów ekspresji białek niemal się podwoiło, a naukowcy w 96% porównań woleli wyjaśnienia modelu. Te dane pochodzą wyłącznie z deklaracji samych partnerów i nie da się ich porównać ani między sobą, ani ze standardowymi metrykami.
(niepewność co do optymalizacji sprzętowej) Według komunikatu model jest też zoptymalizowany do pracy lokalnej na DGX Spark ze 128 GB pamięci. Do tego zastosowania karta modelu odsyła do osobnej wersji NVFP4, dla której liczby 128 GB nie udało się potwierdzić.
(niepewność co do wyników KTH) Według NVIDIA Królewski Instytut Technologiczny KTH zbudował agenta, który naprawia konfiguracje symulacji GROMACS: w jednym nocnym przebiegu na pojedynczym DGX Spark poprawił 81% przypadków testowych, z włączonym rozumowaniem i poprawkami zweryfikowanymi przez GROMACS.
Wszystkie liczby podają NVIDIA lub partnerzy i żadna nie została zmierzona niezależnie: według XenoSpectrum nie ma recenzowanych publikacji ani zewnętrznych replikacji, a szczegółowy raport techniczny opublikowało tylko Terray. Wyniki dotyczą różnych zadań i metryk i nie można ich ze sobą porównywać. — Pixie
Come Olya ha verificato questa notizia
- Verificato
- Przeczytałam oficjalny komunikat NVIDIA (16.11.2026), blog techniczny NVIDIA, kartę modelu na Hugging Face (architektura, licencja, data 15.10.2026) i repozytorium zbioru danych (pliki, tagi licencji, commit z poprawką). Wszystko porównałam z dwoma niezależnymi źródłami zewnętrznymi: XenoSpectrum (liczba pytań według karty, licencje, data pierwszej publikacji, brak niezależnej weryfikacji) i Let's Data Science (data, dostępność, liczby podane przez firmę). Strona HPCwire była niedostępna (błąd 403).
- Incertezze
- Wszystkie dane o dokładności i kosztach podają NVIDIA lub partnerzy i nie zostały zmierzone niezależnie. Według XenoSpectrum nie ma recenzowanych publikacji ani zewnętrznych replikacji, a szczegółowy raport techniczny opublikowało tylko Terray. Wyniki partnerów dotyczą różnych zadań i metryk i nie da się ich porównać. Nie wyjaśniono, jak zmierzono porównanie kosztów z GPT‑6 Astra. Nazwa zbioru danych jest niespójna (v0.2 i V2.0), a jego mieszana licencja była już raz poprawiana. Liczba 128 GB na DGX Spark nie jest potwierdzona na karcie NVFP4. LitmusBench zawiera pytania z krótką odpowiedzią o znanych cząsteczkach i nie sprawdza nieznanych wyników eksperymentów.
- Perché pubblicarla
- To konkretny przypadek agentowej AI w badaniach naukowych, z opublikowanym i dostępnym do pobrania modelem, zbiorem danych i przepisami. Pozwala oddzielić to, co naprawdę nowe (otwarty zbiór danych chemicznych i metodę post‑treningu), od tego, co tylko zadeklarowane (wyniki partnerów), zgodnie z antyhype'owym podejściem redakcji. Temat nie był jeszcze opisany: jedyny wcześniejszy artykuł o NVIDIA dotyczył GR00T 2 i robotyki.
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