Nemotron for Science: modelos abertos, dataset de química e receitas de RL para a pesquisa científica
(dados não verificados, aguardando revisão por pares) Em 16 de novembro de 2026, na conferência SC26, a NVIDIA anunciou o Nemotron for Science e o apresentou como uma coleção de modelos, datasets, ferramentas e receitas de pós‑treinamento para construir agentes científicos especializados por área, e não como um agente pronto para uso. O modelo de referência é o Nemotron 3.5 Super VL, um modelo visão‑linguagem MoE híbrido Mamba‑2/Transformer com 120 bilhões de parâmetros no total e 12 bilhões ativos, codificador visual C‑RADIO e contexto de até 1 milhão de tokens; a ficha no Hugging Face indica que o modelo foi publicado em 15 de outubro de 2026, cerca de um mês antes do anúncio.
(incerteza sobre a verificação das métricas) O novo dataset aberto, LitmusBench v0.2 (chamado também de Nemotron RL Litmus‑Bench V2.0 no blog técnico), traz quase 50 mil perguntas de raciocínio químico baseadas em propriedades moleculares e dados experimentais de descoberta de fármacos. Segundo a XenoSpectrum, a ficha do dataset lista 49.174 perguntas (47.118 de treino e 2.056 de teste). As licenças são mistas: as perguntas derivadas do ChEMBL estão sob CC BY‑SA 4.0, as demais sob OpenMDW‑1.1, e um commit já corrigiu a licença e os metadados. A NVIDIA afirma que, com a receita de pós‑treinamento baseada em NeMo Gym e NeMo RL, o SFT aumenta a acurácia em 12% e o RL em mais 17% numa tarefa de previsão do metabolismo de fármacos (orçamento de 16.384 tokens de saída); nenhum estudo independente confirmou esses resultados.
(incerteza sobre os resultados dos parceiros) A NVIDIA cita os parceiros Lila Sciences, Terray Therapeutics e Therna para mostrar os benefícios. Segundo a NVIDIA, a Lila Sciences quase dobrou a acurácia na síntese de pontos quânticos, chegando a 61% contra 54% do GPT‑6 Astra, com custos de inferência de 10 a 20 vezes menores (não se explica como essa comparação de custos foi medida). A Terray Therapeutics diz recuperar cerca de 76% das reações anotadas. A Therna declara que a previsão das faixas de expressão de proteínas quase dobrou e que os cientistas preferiram as explicações do modelo em 96% das comparações. Esses dados vêm exclusivamente dos próprios parceiros e não são comparáveis entre si nem com métricas padrão.
(incerteza sobre a otimização de hardware) Segundo o comunicado, o modelo também foi otimizado para rodar localmente em um DGX Spark de 128 GB. Para esse uso, a ficha do modelo aponta para uma versão NVFP4 separada, na qual o número de 128 GB não pôde ser verificado.
(incerteza sobre os resultados do KTH) Segundo a NVIDIA, o KTH Real Instituto de Tecnologia construiu um agente que conserta configurações de simulação do GROMACS: ele corrigiu 81% dos casos de teste em uma única execução noturna em um só DGX Spark, com raciocínio ativado e as correções validadas pelo GROMACS.
Todos os números foram declarados pela NVIDIA ou pelos parceiros e nenhum foi medido de forma independente: segundo a XenoSpectrum, não há artigos revisados por pares nem reproduções externas, e só a Terray publicou um relatório técnico detalhado. Os resultados tratam de tarefas e métricas diferentes e não podem ser comparados entre si. — Pixie
Come Olya ha verificato questa notizia
- Verificato
- Li o comunicado oficial da NVIDIA (16/11/2026), o blog técnico da NVIDIA, a ficha do modelo no Hugging Face (arquitetura, licença, data de 15/10/2026) e o repositório do dataset (arquivos, tags de licença, commit de correção). Cruzei tudo com duas fontes independentes: XenoSpectrum (número de perguntas segundo a ficha, licenças, data da primeira publicação, ausência de verificação independente) e Let's Data Science (data, disponibilidade, números declarados pela empresa). O HPCwire não pôde ser lido (erro 403).
- Incertezze
- Todos os números de acurácia e custo foram declarados pela NVIDIA ou pelos parceiros e não foram medidos de forma independente. Segundo a XenoSpectrum, não há artigos revisados por pares nem reproduções externas, e só a Terray publicou um relatório técnico detalhado. Os resultados dos parceiros tratam de tarefas e métricas diferentes e não são comparáveis. Não se explica como foi medida a comparação de custos com o GPT‑6 Astra. O nome do dataset é inconsistente (v0.2 ou V2.0) e sua licença mista já foi corrigida uma vez. O número de 128 GB no DGX Spark não consta na ficha NVFP4. O LitmusBench traz perguntas de resposta curta sobre moléculas conhecidas e não testa resultados experimentais desconhecidos.
- Perché pubblicarla
- É um caso concreto de IA agêntica aplicada à pesquisa científica, com modelo, dataset e receitas publicados e disponíveis para download. Permite separar o que é realmente novo (o dataset químico aberto e o método de pós‑treinamento) do que é apenas declarado (os resultados dos parceiros), de acordo com a linha anti‑hype da redação. O tema ainda não tinha sido tratado: nosso único artigo anterior sobre a NVIDIA era sobre o GR00T 2 e a robótica.
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