
Nemotron for Science contre GPT-Rosalind : les poids ouverts face à un accès conditionné par la confiance
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 90 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 97 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNOUVEAUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 89 tok/s
- OrcaNOUVEAUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 133 tok/s
- OrcaNOUVEAUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 par million de tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 par million de tokens · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligence
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligence
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 par million de tokens · 179 tok/s
Demandez ce que coûte chacun de ces deux éléments et vous obtenez une réponse qui ne dit presque rien de l'autre. NVIDIA Nemotron for Science, annoncé lors de SC26 le 16 novembre 2026, est un ensemble téléchargeable : le checkpoint ouvert Nemotron 3.5 Super VL sous OpenMDW-1.1, un jeu de données de chimie d'environ 50 000 questions appelé LitmusBench v0.2, et des recettes de post-entraînement. Son coût marginal correspond au GPU que vous possédez déjà. GPT-Rosalind est une API facturée à l'usage derrière une candidature : le spécialiste des sciences de la vie de l'entreprise, présenté le 16 avril 2026, ouvert dans le monde entier aux organisations éligibles le 11 septembre 2026, facturé à 5,00 $ par million de jetons d'entrée et à 25,00 $ par million de jetons de sortie depuis le 5 octobre. L'un est une boîte à outils. L'autre est un service précédé d'une étape de validation. Cette différence détermine davantage lequel votre laboratoire devrait utiliser que n'importe quel score de référence de part et d'autre.
Les deux étiquettes affichent « science », et ce mot fait beaucoup dans les deux cas. Aucun des deux modèles n’est un scientifique polyvalent ; chacun cible un pan précis du travail de recherche, est conçu par une entreprise ayant un intérêt commercial spécifique dans ce pan, et est évalué par cette entreprise. Cette comparaison distingue donc trois questions que les articles de lancement confondent : ce sur quoi chaque modèle peut réellement être orienté, qui est autorisé à l’orienter, et ce que coûte une expérience avec chacun.
Deux produits différents, et non deux versions d'un même produit
GPT-Rosalind est un modèle de raisonnement ajusté pour la biologie — molécules, protéines, gènes, voies biologiques, mécanismes pathologiques — avec un écosystème de plugins documenté de plus de 50 outils en sciences de la vie et des antécédents de notes de recherche comprenant une exécution d’agents distribués ayant passé au crible plus de 700 références pour n’en retenir que 11. On y accède via ChatGPT, Codex et l’API, et la voie API exige de passer le programme d’accès de confiance d’OpenAI. C’est une restriction sur le modèle lui-même, pas sur une fonctionnalité. La capacité est bien réelle ; la question est de savoir si vous y avez accès.
Nemotron for Science n’est pas un modèle au même sens. Le modèle qu’il contient, Nemotron 3.5 Super VL, a publié ses poids le 12 octobre 2026 et a été annoncé par NVIDIA le 15 octobre — cinq semaines avant SC26. Ce qui est arrivé le 16 novembre, c’est l’appareillage qui l’entoure : un jeu d’évaluation en chimie, des recettes de post-entraînement et de la documentation pour connecter le modèle aux logiciels scientifiques CUDA-X en tant qu’outils appelables. Personne ne le verrouille. Vous le clonez, vous dimensionnez le matériel, vous l’affinez sur vos propres données, et la seule étape d’approbation est votre propre budget de calcul.
Cette asymétrie fait toute la comparaison, et tout ce qui suit en découle.
Le tableau des scores, dimension par dimension
• Modèle d'accès — Nemotron for Science : poids ouverts sur Hugging Face sous OpenMDW-1.1, usage commercial et non commercial, aucune candidature. GPT-Rosalind : examen d'accès de confiance avant le premier appel API ; accès au chat via un programme académique distinct qui exclut explicitement les appels API.
• Prix catalogue — Nemotron for Science : pas de grille tarifaire fournisseur ; le coût auto-hébergé correspond à votre matériel. Les tarifs d'inférence tiers indiquent Super VL à 0,20 $ par million de tokens d'entrée et 0,50 $ par million de tokens de sortie, avec une remise de 75 % sur le cache et un tarif combiné de 0,13 $. GPT-Rosalind : 5,00 $ en entrée / 25,00 $ en sortie par million, 0,50 $ pour l'entrée mise en cache.
• Paramètres — Nemotron 3.5 Super VL : 120B au total, 12B actifs par token, MoE hybride Mamba-2 et Transformer avec 512 experts routés par couche MoE. GPT-Rosalind : non divulgué.
• Contexte et modalité — 1 M de tokens pour les deux. Super VL prend en entrée du texte, des images et des vidéos MP4 jusqu’à deux minutes, et produit du texte. GPT-Rosalind prend en entrée du texte et des fichiers scientifiques via ChatGPT, Codex et l’API ; aucune prise en charge générale des images en entrée n’est revendiquée publiquement.
• Preuves du domaine — Nemotron for Science : sept partenaires et institutions nommés, dont 76 % de récupération de réaction sur RxnScribe chez Terray, 81 % des configurations GROMACS défectueuses réparées par un agent KTH lors d'une exécution nocturne sur DGX Spark, et 61 % contre 54 % de précision de synthèse de boîtes quantiques face à GPT-6 Astra chez Lila Sciences. GPT-Rosalind : en tête sur BixBench, 27,5 % sur MedChemBench, 21,6 % sur GeneBench, 63,2 % sur LabWorkBench, et un gain de performance par token de 4,42 % sur LifeSciBench. Le tout rapporté par les fournisseurs de part et d'autre.
• Score indépendant — Nemotron 3.5 Super VL : Artificial Analysis Intelligence Index 14, 291 tokens par seconde, 11,85 s jusqu'au premier token de réponse. GPT-Rosalind : non suivi sur cet indice.

La chimie et la biologie ne sont pas le même référentiel.
C'est là l'écart que masque une lecture spécification par spécification. Les preuves publiées de GPT-Rosalind sont massivement biologiques : plages d'expression des protéines, raisonnement au niveau des gènes, chimie médicinale, travail sur des protocoles de laboratoire. Les preuves publiées de Nemotron for Science sont massivement chimiques et computationnelles : extraction de schémas réactionnels, prédiction de solubilité, devenir métabolique, synthèse de boîtes quantiques, réparation de dynamique moléculaire. Les deux relèvent de la « science », et un groupe de chimie computationnelle et un groupe d'oncologie translationnelle ne sont pas sur le même marché.
Là où ils se recoupent réellement, c’est au niveau de la couche agentique, et ici les preuves de NVIDIA sont inhabituellement concrètes. Un modèle qui lit un fichier d’entrée GROMACS défectueux, détermine pourquoi la topologie et le fichier de coordonnées ne concordent pas, et produit une correction que le moteur accepte ensuite effectue une utilisation d’outils en plusieurs étapes avec une récompense vérifiable — et KTH rapporte 81 % de réussite sur des cas de test qu’ils ont construits. Les preuves comparables de Rosalind sont l’exécution de 32 minutes d’une hypothèse sur le trafic du cholestérol en octobre, où des milliers d’agents coopérants ont passé au crible plus de 700 références pour n’en retenir que 11, et des évaluateurs en aveugle ont préféré la sortie dans environ trois quarts des comparaisons. Les deux sont de première main. Les deux décrivent une boucle qui planifie, exécute et vérifie. Aucune des deux ne publie de taux d’achèvement sous charge de production, qui est le chiffre qui permettrait réellement de les comparer.
Lisez les deux bases de preuves comme complémentaires plutôt que concurrentes. Si votre travail est de la biologie expérimentale en laboratoire, l’ensemble de données de chimie de NVIDIA vous est presque inutile, et ce sont les lignes MedChemBench et LabWorkBench de Rosalind qu’il faut lire. Si votre travail porte sur la chimie computationnelle ou la simulation moléculaire, les résultats GROMACS et sur les boîtes quantiques décrivent votre semaine réelle, et le réglage biologique de Rosalind est ce pour quoi vous paieriez un supplément sans l’utiliser.
Le coût d’une expérience, calculé
La tarification au token est la mauvaise unité pour ces deux cas, voici donc l’arithmétique qui compte. Prenons une exécution de post-entraînement sur Nemotron for Science : un modèle 120B en BF16 nécessite 4× H100 ou 2× GB200, ou un seul DGX Spark avec la build NVFP4. Une seule exécution nocturne sur un DGX Spark — la configuration KTH — représente un coût fixe et connu, rapporté à un matériel que vous possédez ou louez à l’heure. Le jeu de données est gratuit et les recettes sont publiées. Vous pouvez exécuter la boucle cent fois, et le coût marginal de la quatre-vingt-dix-neuvième exécution est le même que celui de la première.
Passons maintenant à la même itération sur un spécialiste facturé à l’usage. À 5,00 $ en entrée et 25,00 $ en sortie par million de jetons, une seule passe en contexte long sur un vaste corpus scientifique n’est pas une erreur d’arrondi, et le coût d’une tentative échouée est facturé au même tarif qu’une tentative réussie. C’est pourquoi l’entrée mise en cache à 0,50 $ a tant d’importance du côté de Rosalind : si vos invites partagent un grand préfixe, la remise est de 90 % et l’économie change complètement. Si ce n’est pas le cas, elle ne change pas.
La conclusion honnête de cette arithmétique n’est pas « l’open est moins cher ». C’est que les deux formes de tarification récompensent des travaux différents. Le fine-tuning itératif récompense les poids ouverts, parce que vous payez le calcul et rien d’autre. L’évaluation par rafales d’une centaine d’hypothèses face à un modèle de pointe récompense une API facturée à l’usage, parce que vous payez ce que vous consommez et rien d’autre. La plupart des groupes de recherche font les deux, ce qui est la partie gênante.

Où la couche de routage s’intègre, et où elle ne s’intègre pas
Aucun des deux checkpoints ne figure dans notre catalogue. Nous ne proposons pas Nemotron 3.5 Super VL et nous ne proposons pas GPT-Rosalind, et il serait étrange qu'un article prétende le contraire — la réponse pratique pour le premier est de le télécharger, et pour le second de faire une demande auprès d'OpenAI.
Ce qui se trouve de notre côté de la ligne, c’est la partie d’un agent scientifique qui n’est pas le modèle scientifique. L’agent KTH GROMACS, le pipeline d’extraction Terray et le générateur de protocoles Lila sont tous des agents construits autour d’un modèle de domaine : ils planifient, appellent des outils, lisent les sorties et décident de la suite à donner, et la couche de planification est généralement un modèle général plutôt qu’un spécialiste. C’est à cette couche qu’une clé unique donnant accès à plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge, justifie son coût, et que le basculement automatique compte — une exécution agentique qui dure six heures est une exécution que vous ne voulez pas perdre à la cinquième heure parce qu’un fournisseur en amont a passé un mauvais après-midi. Le DSL de routage compose ces appels ; le spécialiste reste là où il doit être.
Lequel choisir
Si vous êtes un groupe de chimie computationnelle ou de simulation moléculaire disposant de capacité GPU, Nemotron for Science est un choix presque évident : une licence permissive, un ensemble de 50 000 questions de chimie sur lequel vous pouvez à la fois évaluer et entraîner, et une boucle d’outils documentée qui a été démontrée sur le mode de défaillance exact auquel vous êtes confrontés chaque semaine. L’absence de grille tarifaire du fournisseur n’est pas un problème lorsque vous alliez de toute façon auto-héberger.
Si vous faites de la biologie translationnelle et avez besoin d’un modèle qui raisonne sur les protéines et les mécanismes des maladies, Rosalind est le seul des deux destiné à votre travail, et l’examen d’accès de confiance est le prix d’entrée. Prévoyez le délai de cet examen dans votre plan de projet, et notez que les places gratuites du programme académique n’incluent pas l’accès à l’API — un groupe universitaire qui souhaite un pipeline doit conclure son propre accord commercial.
Et si vous construisez l'agent et non le modèle, le choix a moins de conséquences qu'il n'y paraît. Les deux s'appellent depuis une boucle ; les deux ont leurs modes de défaillance ; aucun ne publie le taux d'achèvement qui trancherait la question. Le réflexe raisonnable est de construire la boucle de façon que le modèle en dessous soit une valeur de configuration, puis de mesurer. C'est la seule comparaison que l'un ou l'autre fournisseur vous laisse.

