Une carte-titre pour NVIDIA Nemotron for Science, avec en titre « ce qui a été livré, et ce que cela prouve », et quatre statistiques : environ 50 000 questions de chimie LitmusBench v0.2, 120B paramètres au total et 12B paramètres actifs, 81 % des configurations GROMACS réparées par un agent KTH en une seule nuit lors d’une exécution DGX Spark, et une fenêtre de contexte de 1M de tokens.
Engineering & Research

À l'intérieur de NVIDIA Nemotron for Science : ce que l'Open Chemistry Stack de SC26 livre réellement

Auteur

Gideon Frost

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Quatre-vingt-un pour cent : voilà le chiffre par lequel il vaut la peine de commencer, et ce n'est pas un score de benchmark. C'est la proportion de configurations de dynamique moléculaire GROMACS volontairement défectueuses qu'un agent construit sur NVIDIA Nemotron for Science a réparées en une seule nuit sur une station de travail DGX Spark, selon le KTH Royal Institute of Technology — chaque correction étant vérifiée par GROMACS lui-même plutôt que par un modèle qui note son propre travail. NVIDIA a annoncé la collection le 16 novembre 2026 à SC26, à Chicago, par la voix d'Ian Buck, son vice-président chargé de l'hyper-échelle et du calcul haute performance. Elle réunit trois artefacts en un seul ensemble : le checkpoint ouvert Nemotron 3.5 Super VL, un jeu de données ouvert de chimie appelé LitmusBench v0.2 comptant environ 50 000 questions, et une série de recettes de post-entraînement qui intègrent le modèle à l'outillage scientifique accéléré par CUDA-X.

Cette combinaison est la partie intéressante, et ce n’est pas celle que le titre met en avant. Qu’un fournisseur publie un nouveau checkpoint ouvert est devenu routine fin 2026 ; NVIDIA a publié celui-ci en octobre. Ce qui est nouveau le 16 novembre, c’est l’échafaudage qui l’entoure — le jeu d’évaluation, les recettes et un ensemble de déploiements institutionnels nommés qui décrivent ce qui se passe lorsque l’on confronte le modèle à un véritable flux de travail scientifique plutôt qu’à un classement. Cet article examine ce que contient réellement la collection, ce que les chiffres des partenaires établissent ou non, et où se situent les lacunes pour quiconque envisage de s’appuyer dessus.

Les trois artefacts, séparés

Le communiqué de presse de NVIDIA et le post X qui l'accompagne décrivent un seul et même ensemble. Il importe de le décomposer, car chaque élément présente une posture de licence différente, un niveau de maturité différent et une raison différente de s'y intéresser.

• Le checkpoint — Nemotron 3.5 Super VL, un mélange d'experts de 120 milliards de paramètres avec 12 milliards actifs par token, un hybride Mamba-2 et Transformer avec 512 experts routés par couche MoE, un encodeur visuel C-RADIO et jusqu'à 1 M de tokens de contexte. En entrée : texte, images et vidéo MP4 de 2 minutes ; en sortie : texte. OpenMDW-1.1, usage commercial et non commercial, poids sur Hugging Face. Ce n'est pas une nouveauté du 16 novembre — le dépôt a été mis en ligne le 12 octobre et l'annonce de NVIDIA elle-même a suivi le 15 octobre.

• Le jeu de données — LitmusBench v0.2, un ensemble ouvert d'environ 50 000 questions de raisonnement chimique issues de données de propriétés moléculaires et de dossiers expérimentaux de découverte de médicaments. Il est conçu pour les deux fonctions qu'un benchmark scientifique doit généralement répartir entre deux fichiers : il évalue le raisonnement chimique et il est utilisable comme données de post-entraînement. La prédiction de solubilité et le devenir métabolique sont les deux familles de tâches que NVIDIA nomme explicitement.

• Les recettes et l’outillage — des recettes de post-entraînement pour l’adaptation au domaine, ainsi que le câblage qui permet à un agent d’appeler des logiciels scientifiques accélérés par CUDA-X comme outils. C’est l’élément qui transforme un modèle de chat en quelque chose capable de lancer une simulation, de lire la sortie et de décider quoi faire ensuite.

Le checkpoint est le moins novateur des trois, et le jeu de données est le plus pérenne. Les suites de benchmarks vieillissent ; un ensemble de 50 000 questions de chimie sous licence permissive est le genre de chose qui sera encore cité dans trois ans, et c’est l’élément de cette publication que NVIDIA a le plus financé pour le diffuser gratuitement.

A two-column summary card contrasting what was announced at SC26 with what is not yet established: the checkpoint is Nemotron 3.5 Super VL at 120B total and 12B active, the dataset is LitmusBench v0.2 at about 50,000 questions, partner results include 76% RxnScribe recovery at Terray and 61% versus 54% quantum-dot accuracy at Lila, the licence is OpenMDW-1.1, and no NVIDIA rate card or agent completion rate has been published.

Ce que les résultats du partenaire démontrent réellement

Sept organisations sont nommées dans l’annonce, et les chiffres qui leur sont associés sont ce qui, dans le communiqué, se rapproche le plus de preuves. Tout cela est rapporté par le fournisseur et rien n’a été reproduit de manière indépendante — cette réserve s’applique à chaque chiffre de cette section, et c’est pourquoi il faut les lire comme des études de cas plutôt que comme des scores.

Terray Therapeutics a post-entraîné le modèle sur des diagrammes de chimie — les schémas réactionnels dessinés dans les brevets et les articles — afin d’extraire les réactifs, les produits et les conditions réactionnelles. Sur RxnScribe, il a retrouvé environ 76 % des réactions annotées et surpassé les résultats publiés antérieurement sur deux benchmarks. L’extraction de diagrammes n’a rien de glamour et c’est là que passe une grande part du travail réel en chimie, de sorte qu’un taux de récupération de 76 % sur un benchmark nommé est une affirmation plus utile qu’un score de raisonnement.

Lila Sciences est le chiffre sur lequel s’appuie le communiqué. En générant des protocoles de laboratoire prêts à être exécutés pour des laboratoires automatisés, le modèle de base a égalé les performances de pointe sans aucun ajustement fin. Avec un post-entraînement fondé sur les retours de laboratoire, la précision de synthèse de boîtes quantiques a atteint 61 % contre 54 % pour GPT-6 Astra, pour un coût d’inférence 10–20× inférieur. Deux points méritent d’être signalés. L’écart de sept points est réel si le protocole l’est, et le multiple de coût est le chiffre le plus lourd de conséquences — une économie d’inférence de 10–20× change quelles expériences valent la peine d’être menées. Mais il s’agit d’une comparaison réalisée par la partie qui a effectué le post-entraînement, sur une tâche qu’elle a choisie, face à un concurrent qu’elle a nommé.

Therna a été post-entraîné pour la conception agentique de thérapies à ARNm et a presque doublé la précision de prédiction de la plage d’expression des protéines. Dans une comparaison en aveugle, les scientifiques ont préféré ses explications à celles du modèle de base dans 96 % des cas. La préférence n’est pas la précision, et un taux de préférence de 96 % dit quelque chose sur la façon dont le raisonnement se lit, pas sur sa justesse.

Ensuite, les déploiements institutionnels, qui sont la partie que je trouve la plus convaincante précisément parce qu'ils ne sont pas présentés comme des victoires. Argonne National Laboratory intègre Nemotron dans StructBioReasoner, un système multi-agent conçu pour la conception de thérapies anticancéreuses à base de protéines. Jülich Supercomputing Centre l'intègre à des agents dédiés à la découverte de médicaments et à la recherche scientifique. RIKEN sert les modèles, y compris Super VL, sur sa plateforme de supercalcul RIKYU via la passerelle d'inférence RiVault — un véritable chemin de production, sur du matériel réel, pour de vrais utilisateurs. Et KTH a construit l'agent de réparation GROMACS à l'origine de ce chiffre de 81 %, sur un seul DGX Spark, en une nuit.

Le résultat de KTH mérite une phrase à part en raison de sa forme. Une configuration de dynamique moléculaire défaillante est un échec banal et fréquent : un champ de forces incompatible, une topologie qui ne correspond pas au fichier de coordonnées, un include manquant. Corriger 81 % d’entre eux n’est pas un benchmark de raisonnement. C’est le modèle qui effectue le type de travail qu’un groupe de chimie computationnelle confie actuellement à un étudiant de troisième cycle, et ce travail est vérifié par le moteur de simulation plutôt que par le modèle, ce qui en fait la preuve la plus nette de cette publication.

Pourquoi il s’agit d’une histoire de post-entraînement sous les habits d’une histoire de modèle

Relisez le communiqué et remarquez ce que NVIDIA vous demande réellement de faire. Chaque résultat de partenaire implique une adaptation : Terray post-entraîné sur des diagrammes, Lila post-entraîné sur des retours de laboratoire, Therna post-entraîné sur la conception d'ARNm. Aucun des chiffres phares ne provient du checkpoint tel qu'il est livré. C'est délibéré, et c'est la chose la plus honnête dans cette annonce.

L’argument est que les modèles de base sont désormais suffisamment bons pour que l’élément différenciant soit la boucle de post-entraînement, et non la phase de pré-entraînement. NVIDIA vend la boucle : un checkpoint 120B sous licence permissive que vous pouvez fine-tuner sans revue juridique, un jeu de données de chimie sur lequel le fine-tuner, et des recettes décrivant comment procéder. C’est un argument commercial réellement différent de « notre modèle est plus intelligent », et c’est un argument qui ne fonctionne que si les poids sont ouverts — ce qui explique précisément pourquoi la licence compte plus que le tableau des benchmarks.

Cela explique aussi la gamme matérielle. {{1}}NVIDIA indique que le modèle est optimisé pour fonctionner localement sur un DGX Spark de 128 Go, et que la version BF16 requiert 4× H100 ou 2× GB200, tandis que la version NVFP4 tient sur un seul DGX Spark, un H200, deux H100 ou un GB200.{{/1}} {{2}}Une boucle de post-entraînement est une charge de travail itérative, à haut volume et à faible latence, et la différence entre « louer un nœud » et « il y a une machine sur l’établi » est la différence entre une boucle que l’on exécute deux fois par trimestre et une que l’on exécute deux fois par jour.{{/2}}

Les lacunes, énoncées clairement

Trois éléments manquent à la version, et chacun changerait votre façon de planifier.

• Aucune évaluation indépendante des affirmations scientifiques. Artificial Analysis suit bel et bien Nemotron 3.5 Super VL : il indique un Intelligence Index de 14, un débit de sortie de 291 tokens par seconde, un délai de 11,85 secondes avant le premier token de réponse, et un prix affiché de 0,20 $ par million de tokens d'entrée et de 0,50 $ par million de tokens de sortie, avec une remise de 75 % sur le cache. C'est utile, et c'est une source tierce. Rien de tout cela ne constitue un benchmark de chimie. Chaque chiffre scientifique de la publication SC26 provient d'une partie prenante au résultat, et LitmusBench v0.2 est suffisamment récent pour qu'aucun groupe externe n'ait encore publié de score dessus.

• Aucun prix publié pour le modèle en tant que service. Le tarif de 0,20 $/0,50 $ listé par AA correspond au compteur d'une plateforme tierce, et non à une grille tarifaire NVIDIA — NVIDIA n'a publié aucun montant par token pour NIM. Si vous établissez un budget, la réponse honnête aujourd'hui est que l'auto-hébergement est la seule voie dont le coût est connu.

• Aucune évaluation de la boucle de l'agent, seulement des composants. Les recettes décrivent un agent qui planifie, exécute des simulations, vérifie les résultats et s'ajuste. Personne dans la publication ne rapporte à quelle fréquence cette boucle se termine sans intervention humaine, combien d'appels d'outils elle consomme, ni ce qu'elle coûte par tâche accomplie. Ce sont ces chiffres qui déterminent si un agent est un produit ou une démo, et ils sont absents.

A screenshot of NVIDIA's newsroom press release announcing Nemotron for Science at SC26, showing the announcement headline, the dateline and the opening paragraphs describing the collection of open models, datasets, tools and post-training recipes.

Ce que cela signifie si vous construisez

L’interprétation pratique est que Nemotron for Science n’est pas un modèle que l’on adopte ; c’est un kit de départ. Si votre groupe fait de la chimie ou de la biologie structurale et dispose de capacité GPU, la combinaison d’un checkpoint de 120B sous licence permissive, de 50 000 questions de chimie et d’un ensemble de recettes publiées constitue un paquet vraiment solide pour la première semaine — et le résultat de KTH suggère que la boucle d’appel d’outils fonctionne suffisamment bien pour être utile sur des défaillances banales.

Ce qu’il n’est pas, c’est un remplacement direct d’une API hébergée. Nemotron 3.5 Super VL ne figure pas à notre catalogue ; nous ne le proposons pas aujourd’hui, et c’est bien autour du mode auto-hébergé que cette version est réellement conçue. Lorsque des équipes utilisent un modèle hébergé comme couche de raisonnement d’un pipeline plus vaste — et c’est le cas de la plupart, car la boucle d’agent autour du modèle scientifique est généralement un modèle général — la question du routage est distincte de cette annonce. Une seule clé pour plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de majoration, et un basculement automatique lorsqu’un fournisseur en amont se dégrade en cours d’exécution, voilà ce qui empêche une tâche agentique de plusieurs heures de s’arrêter à la troisième heure parce qu’un fournisseur a passé un mauvais après-midi.

Que regarder ensuite

Un premier score externe LitmusBench v0.2 tranche plus que ne le ferait n’importe quel benchmark pris isolément, car c’est le seul chiffre ici qu’une partie neutre peut produire. Une grille tarifaire NIM publiée ferait de la comparaison des coûts une simple arithmétique plutôt qu’un exercice de positionnement. Et un rapport sur la boucle d’agent elle-même — taux d’achèvement, budget d’appels d’outils, coût par tâche terminée — est ce qui ferait passer ce kit prometteur du statut de solution potentielle à celui de décision d’achat.

D’ici là, le résumé le plus juste est celui que la release écrit accidentellement pour elle-même : NVIDIA a livré un bon checkpoint en octobre, et en novembre, elle a livré ce qui rend ce checkpoint utile. C’est une annonce moins enthousiasmante et plus précieuse.

A three-row card listing what the release does not establish: no independent science score despite Artificial Analysis tracking Nemotron 3.5 Super VL at Intelligence Index 14 and 291 tokens per second; no NVIDIA per-token rate card, only a third-party meter at $0.20 and $0.50 per million tokens; and no agent-loop completion rate, tool-call budget or cost per completed task.