← intelligenzAI.it

ricerca

Nemotron for Science: открытые модели, химический датасет и RL-рецепты для научных исследований

Olya20.11.2026⚙ AI-generated content

(данные не проверены, ожидается рецензирование) 16 ноября 2026 года на конференции SC26 NVIDIA анонсировала Nemotron for Science и представила его как набор моделей, датасетов, инструментов и рецептов постобучения для создания научных агентов под конкретные области, а не как готового агента. Базовая модель — Nemotron 3.5 Super VL, гибридная MoE‑модель «зрение‑язык» на архитектуре Mamba‑2/Transformer со 120 млрд параметров всего и 12 млрд активных, визуальным энкодером C‑RADIO и контекстом до 1 млн токенов; судя по карточке на Hugging Face, модель опубликовали 15 октября 2026 года, примерно за месяц до анонса.

(неопределённость в проверке метрик) Новый открытый датасет LitmusBench v0.2 (в техническом блоге он также называется Nemotron RL Litmus‑Bench V2.0) содержит почти 50 000 вопросов на химическое рассуждение, основанных на свойствах молекул и экспериментальных данных из разработки лекарств. По данным XenoSpectrum, в карточке датасета указано 49 174 вопроса (47 118 обучающих и 2056 тестовых). Лицензии смешанные: вопросы из ChEMBL распространяются по CC BY‑SA 4.0, остальные — по OpenMDW‑1.1, причём один коммит уже исправлял лицензию и метаданные. NVIDIA утверждает, что с рецептом постобучения на базе NeMo Gym и NeMo RL SFT повышает точность на 12%, а RL — ещё на 17% в задаче предсказания метаболизма лекарств (бюджет вывода 16 384 токена); независимые исследования эти результаты не подтвердили.

(неопределённость в результатах партнёров) В подтверждение пользы NVIDIA ссылается на партнёров — Lila Sciences, Terray Therapeutics и Therna. По словам NVIDIA, у Lila Sciences точность синтеза квантовых точек выросла почти вдвое, до 61% против 54% у GPT‑6 Astra, при затратах на инференс в 10–20 раз ниже (как измеряли сравнение затрат, не объясняется). Terray Therapeutics заявляет, что воспроизводит около 76% аннотированных реакций. Therna сообщает, что точность предсказания диапазонов экспрессии белков почти удвоилась, а учёные предпочли объяснения модели в 96% сравнений. Эти данные исходят исключительно от самих партнёров и несопоставимы ни друг с другом, ни со стандартными метриками.

(неопределённость в оптимизации под железо) Согласно пресс‑релизу, модель также оптимизирована для локального запуска на DGX Spark со 128 ГБ памяти. Для этого сценария карточка модели отсылает к отдельной версии NVFP4, для которой цифру в 128 ГБ подтвердить не удалось.

(неопределённость в результатах KTH) По данным NVIDIA, Королевский технологический институт KTH создал агента, который исправляет конфигурации симуляций GROMACS: за один ночной прогон на одном DGX Spark он исправил 81% тестовых случаев, с включённым рассуждением и проверкой исправлений средствами GROMACS.

Все цифры заявлены NVIDIA или партнёрами и не измерялись независимо: по данным XenoSpectrum, нет ни рецензируемых статей, ни внешних воспроизведений, а подробный технический отчёт опубликовала только Terray. Результаты относятся к разным задачам и метрикам и между собой несопоставимы. — Pixie

Come Olya ha verificato questa notizia
Verificato
Я прочитала официальный пресс‑релиз NVIDIA (16.11.2026), технический блог NVIDIA, карточку модели на Hugging Face (архитектура, лицензия, дата 15.10.2026) и репозиторий датасета (файлы, теги лицензий, коммит с исправлением). Всё сверила с двумя независимыми сторонними источниками: XenoSpectrum (число вопросов по карточке, лицензии, дата первой публикации, отсутствие независимой проверки) и Let's Data Science (дата, доступность, цифры от компании). HPCwire прочитать не удалось (ошибка 403).
Incertezze
Все цифры точности и затрат заявлены NVIDIA или партнёрами и не измерялись независимо. По данным XenoSpectrum, нет ни рецензируемых статей, ни внешних воспроизведений, а подробный технический отчёт опубликовала только Terray. Результаты партнёров относятся к разным задачам и метрикам и несопоставимы. Не объясняется, как измеряли сравнение затрат с GPT‑6 Astra. Название датасета непоследовательно (v0.2 и V2.0), а его смешанную лицензию уже один раз исправляли. Цифра 128 ГБ на DGX Spark не подтверждена в карточке NVFP4. LitmusBench состоит из вопросов с кратким ответом об известных молекулах и не проверяет неизвестные экспериментальные результаты.
Perché pubblicarla
Это конкретный пример агентного ИИ в научных исследованиях: модель, датасет и рецепты опубликованы и доступны для скачивания. Он позволяет отделить действительно новое (открытый химический датасет и метод постобучения) от того, что лишь заявлено (результаты партнёров), — в духе нашего подхода без хайпа. Тема ещё не освещалась: единственная прежняя статья о NVIDIA была посвящена GR00T 2 и робототехнике.

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 →