Une carte de titre pour la comparaison, intitulée « Nemotron for Science vs Nemotron 3.5 Super », indiquant qu'il ne s'agit pas de deux modèles : le checkpoint d'octobre à 120B au total et 12B actifs avec 512 experts routés par couche MoE, des poids sur Hugging Face le 12 octobre 2026 et annoncés le 15 octobre, le package de novembre le 16 novembre au SC26 à Chicago, et environ 50 000 questions LitmusBench v0.2 comme seul nouvel artefact de modèle.
Engineering & Research

Nemotron for Science vs Nemotron 3.5 Super : mêmes poids, produit différent

Auteur

jinhao.song

Date de publication

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

Cette comparaison a un fait gênant en son cœur : NVIDIA Nemotron for Science et NVIDIA Nemotron 3.5 Super ne sont pas deux modèles. Il s'agit du même checkpoint de 120 milliards de paramètres, livré à cinq semaines d'intervalle, sous un habillage différent. Nemotron 3.5 Super, ce sont les poids — le dépôt portant le nom plus complet Nemotron 3.5 Super VL 120B A12B, disponible sur Hugging Face depuis le 12 octobre 2026, annoncé le 15 octobre, OpenMDW-1.1, 12 milliards de paramètres actifs par token, contexte de 1 M de tokens. Nemotron for Science, c'est ce que NVIDIA a annoncé à SC26 le 16 novembre : ce checkpoint, plus LitmusBench v0.2, environ 50 000 questions de raisonnement en chimie, plus des recettes de post-entraînement et l'intégration des outils CUDA-X, plus sept déploiements institutionnels nommés.

La question utile n’est donc pas de savoir lequel est le meilleur. C’est ce que le package de novembre ajoute au checkpoint d’octobre, si les ajouts justifient un nom distinct, et ce que vous téléchargeriez réellement aujourd’hui si vous vouliez exécuter des agents de chimie sur du silicium NVIDIA. C’est une question plus intéressante qu’un tableau de spécifications, et la réponse est plus flatteuse pour NVIDIA qu’une histoire de reconditionnement ne l’est d’ordinaire.

Ce qui est identique, et cela en constitue la majeure partie.

Commencez par le point de contrôle, car tout dans les deux packages repose sur lui. L’architecture ne change pas entre octobre et novembre : un mélange d’experts hybride Mamba-2 et Transformer, 512 experts routés par couche MoE, des têtes de prédiction multi-jetons, un encodeur visuel C-RADIO et un connecteur vision-langage, 120 B de paramètres au total avec 12 B actifs par jeton, et jusqu’à 1 M de jetons de contexte. Les entrées sont du texte, des images RVB et de la vidéo MP4 jusqu’à deux minutes ; la sortie est du texte. L’effort de raisonnement est configurable via le gabarit de chat selon les valeurs désactivé, moyen ou activé.

• Paramètres — 120B au total, 12B actifs. Identiques dans les deux. Il n’existe pas de checkpoint Nemotron for Science avec un nombre de paramètres différent, car il n’existe pas de checkpoint Nemotron for Science distinct.

• Licence — OpenMDW-1.1 pour un usage commercial et non commercial. Identique, et c’est ce qui rend possible tout court l’argumentaire de post-formation.

• Contexte — 1 M de tokens, avec la carte qui recommande de la vidéo à 2 FPS jusqu’à 256 images, ou 1 FPS et 128 images en 1080p.

• Socle matériel — 4× H100 ou 2× GB200 en BF16 ; la configuration NVFP4 tient sur un seul DGX Spark, un H200, deux H100 ou un GB200. La gamme DGX Spark est celle sur laquelle s’appuie SC26, et c’est la même gamme que portait déjà la fiche d’octobre.

• Benchmarks — GPQA-Diamond 89,52, SWE-bench Verified 71,10, SWE-bench Pro 51,78, Terminal-Bench 2.1 60,67, tau2 retail 69,24, BrowseComp 78, MathVision 78,16, raisonnement CharXiv 80,82. Tous rapportés par le fournisseur, tous publiés avec la fiche d'octobre, aucun n'est nouveau.

Si vous avez déjà téléchargé Nemotron 3.5 Super en octobre, vous disposez du modèle sur lequel repose Nemotron for Science. Rien dans l’annonce de novembre ne modifie ses poids.

Ce qui est réellement nouveau, et ce n’est pas rien

Maintenant, la partie qui justifie l’article. Trois choses sont arrivées le 16 novembre qui n’existaient pas le 15 octobre, et chacune change ce que vous pouvez faire dès le premier jour.

LitmusBench v0.2 fait la une. Environ 50 000 questions de raisonnement en chimie, construites à partir de données sur les propriétés moléculaires et de dossiers expérimentaux de découverte de médicaments, couvrant des tâches comme la prédiction de la solubilité et la façon dont l’organisme métabolise un composé. Deux caractéristiques en font plus qu’un simple classement : il est ouvert et il est conçu pour être utilisé aussi bien pour le post-entraînement que pour l’évaluation. Un modèle 120B sous licence permissive et sans données de chimie pour l’affiner est un modèle pour lequel il faut construire un jeu de données ; un modèle 120B livré avec 50 000 questions de chimie annotées est un modèle que l’on peut adapter en une semaine. C’est la différence que procure cet ensemble.

Les recettes constituent le second volet. NVIDIA a publié des recettes de post-entraînement pour l’adaptation de domaine ainsi qu’une documentation pour intégrer le modèle dans des workflows d’agents qui lisent des informations scientifiques, écrivent du code et invoquent des outils accélérés par CUDA-X. Pour quiconque a déjà tenté d’amener un modèle généraliste à appeler correctement un package de dynamique moléculaire, la documentation sur le câblage des outils est la partie peu glamour qui détermine si la boucle fonctionne tout court.

Les déploiements sont le troisième élément, et ils constituent des preuves plutôt que des artefacts. Terray Therapeutics a post-entraîné le modèle sur des diagrammes de chimie et a retrouvé environ 76 % des réactions annotées sur RxnScribe, surpassant les résultats antérieurs publiés sur deux benchmarks. Lila Sciences a atteint 61 % d'exactitude pour la synthèse de boîtes quantiques, contre 54 % pour GPT-6 Astra, à un coût d'inférence 10 à 20 fois inférieur. Therna a presque doublé l'exactitude de prédiction de la plage d'expression des protéines pour la conception d'ARNm, les scientifiques préférant ses explications dans 96 % des comparaisons en aveugle. Argonne l'intègre à StructBioReasoner ; Jülich l'intègre à des agents de découverte de médicaments et de science ; RIKEN le sert sur RIKYU via la passerelle RiVault. Et KTH a construit un agent de réparation GROMACS qui a corrigé 81 % des configurations délibérément cassées en une nuit sur un seul DGX Spark, vérifié par GROMACS lui-même.

A two-column scoreboard contrasting the October checkpoint with the November package across what it is, when it was announced, dataset, recipes, evidence and price: the checkpoint is the open 120B model alone with a vendor benchmark table and no rate card, while the November package adds LitmusBench v0.2 at about 50,000 questions, post-training recipes with CUDA-X tool wiring, and seven named partners and institutions.

Pourquoi la scission en deux noms est défendable

L’interprétation cynique est que NVIDIA a annoncé deux fois le même modèle. Je ne pense pas que cela tienne, et la raison est que les deux annonces répondent à des questions différentes.

La question d'octobre était « qu'est-ce que ce checkpoint et peut-il être déployé ? » La réponse était un MoE vision-langage de 120B avec une fenêtre de 1M de tokens, un plancher matériel allant d'un DGX Spark à un nœud GB200, et une affirmation de vitesse — 5× plus rapide que le meilleur suivant de sa catégorie, selon NVIDIA, bien qu'Artificial Analysis n'ait pas listé le modèle au moment où l'affirmation a été faite. Il s'agit d'un lancement de modèle.

La question de novembre est « que fait un groupe de chimie avec cela le lundi ? » Cette réponse, c’est un jeu de données, une recette et sept organisations qui l’ont déjà fait et ont publié des chiffres. Livrer des poids n’est pas le même produit que livrer un workflow, et c’est le second qu’un groupe de recherche peut réellement adopter.

La preuve la plus solide de cette interprétation réside dans la forme des résultats des partenaires. Chacun des chiffres phares provient d’une variante post-entraînée, et non du point de contrôle tel qu’il est livré. Terray l’a adapté sur des diagrammes. Lila l’a adapté sur les retours du laboratoire. Therna l’a adapté sur des données de conception d’ARNm. Le dossier ne prétend pas que le modèle de base est un chimiste ; il prétend que le modèle de base constitue un point de départ suffisamment bon pour qu’une équipe métier puisse en faire un. C’est une affirmation plus modeste et plus utile, et il serait étrange de la formuler en octobre, avant même que le jeu de données permettant de l’étayer n’existe.

Ce que le forfait ne vous donne toujours pas

Trois lacunes, classées selon ce qu’il vous en coûterait de les découvrir à vos dépens.

• Aucune évaluation indépendante en chimie.Artificial Analysis répertorie bien Nemotron 3.5 Super VL — indice d’intelligence 14, 291 tokens par seconde en sortie, 11,85 s jusqu’au premier token de réponse, 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. Il s’agit d’un score généraliste tiers, et cela vaut la peine de le savoir. Ce n’est pas un score en chimie. Chaque chiffre scientifique de la publication SC26 a été produit par une partie prenante, et LitmusBench v0.2 est suffisamment récent pour qu’aucun groupe externe n’ait publié de résultat à son sujet.

• Aucun prix fournisseur. Le $0.20/$0.50 ci-dessus correspond au compteur d’une plateforme tierce, et non à une grille tarifaire NVIDIA. NVIDIA n’a publié aucun tarif NIM par token, ce qui signifie que la seule voie de budgétisation dont le coût est connu est l’auto-hébergement.

• Aucun taux d'achèvement pour la boucle de l'agent. Le résultat du KTH rapporte 81 % de cas de test corrigés, soit le chiffre le plus concret de la publication — mais il n'indique pas combien d'appels d'outils chaque correction a nécessités, à quelle fréquence la boucle de l'agent a tourné sans progression, ni ce qu'a coûté une tâche achevée. Ce sont ces chiffres qui déterminent si un agent est déployable ou simplement impressionnant.

Comment l’exécuter, et où s’inscrit la stack environnante

Les recommandations de déploiement sont inhabituellement claires pour une version à poids ouverts, alors prenez-les au pied de la lettre. La fiche précise vLLM avec TP4 ou TP2, --trust-remote-code, la planification asynchrone, le décodage spéculatif MTP avec cinq jetons de brouillon et --max-num-seqs 32 ; ou SGLang avec un cache KV FP8 et le décodage spéculatif EAGLE à cinq étapes. L’échantillonnage utilise une température de 1,0 avec top_p 0,95 pour le texte et de 0,6 avec 0,95 pour la vision, et le nom du serveur dans les exemples est nemotron-3.5-super-vl. Les limites multimodales sont d’une image et d’une vidéo par prompt. C’est une configuration que vous pouvez copier plutôt que déduire.

Nemotron 3.5 Super VL ne figure pas dans notre catalogue — nous ne le servons pas, donc la voie de l'auto-hébergement est la vraie, et c'est une chose légitime à dire dans un article consacré à un checkpoint ouvert. Là où notre côté de la pile entre en jeu, c'est autour du modèle scientifique plutôt qu'en son sein. Un agent de recherche est un planificateur construit autour d'un checkpoint de domaine : il décompose une tâche, appelle le modèle de chimie, appelle une simulation, lit le résultat et décide de la suite. Le planificateur est généralement un modèle généraliste, et c'est la couche où une seule clé pour plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge, épargne le travail d'intégration — avec le basculement automatique, afin qu'une exécution nocturne de six heures n'échoue pas à la cinquième heure parce qu'un fournisseur a été dégradé. La fusion de modèles est l'autre levier qu'il vaut la peine de connaître ici : un panel de modèles répondant ensemble à la même question de chimie est un moyen raisonnable de trier quels protocoles valent la peine d'être exécutés sur du matériel réel.

A five-row deployment card titled 'How to run Nemotron 3.5 Super VL', giving the vLLM configuration with TP4 or TP2 and MTP speculative decoding at five draft tokens, the SGLang configuration with FP8 KV cache and EAGLE at five steps, sampling temperatures of 1.0 and 0.6 with top_p 0.95, the one-image and one-video per-prompt limit, and the hardware floor of 4x H100 or 2x GB200 at BF16 or a single DGX Spark on the NVFP4 build.

Quoi regarder

Un premier score externe LitmusBench v0.2 est l’élément le plus utile qui puisse apparaître, car c’est le seul chiffre de cette histoire qu’une partie neutre puisse produire. Une grille tarifaire NIM permettrait de faire de la comparaison entre hébergé et auto-hébergé un calcul plutôt qu’une supposition. Et un rapport sur la boucle d’agent — taux d’achèvement, budget d’appels d’outils, coût par tâche terminée — transformerait les résultats de KTH et Lila d’anecdotes encourageantes en éléments sur lesquels un groupe peut planifier.

D’ici là, la version courte : si vous avez récupéré Nemotron 3.5 Super en octobre, Nemotron for Science ne le remplace pas, il l’étend avec les données et les recettes qui en font un outil de chimie. Si ce n’est pas le cas, le package de novembre constitue un meilleur point d’entrée, car ce sont les mêmes poids, accompagnés d’un kit de démarrage.

A screenshot of the Hugging Face model card for nvidia/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16, showing the repository name, the model card header and the opening sections of the documentation.