
Nemotron for Science לעומת Nemotron 3.5 Super: אותם משקלים, מוצר שונה
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 90 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 97 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 89 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 133 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 179 tok/s
להשוואה הזו יש עובדה מביכה במרכזה: NVIDIA Nemotron for Science ו-NVIDIA Nemotron 3.5 Super אינם שני מודלים. הם אותו צ'קפוינט בן 120 מיליארד פרמטרים, שנשלח בהפרש של חמישה שבועות, באריזה שונה. Nemotron 3.5 Super הוא המשקלים — המאגר תחת השם המלא יותר Nemotron 3.5 Super VL 120B A12B, זמין ב-Hugging Face מאז 12 באוקטובר 2026, הוכרז ב-15 באוקטובר, OpenMDW-1.1, 12 מיליארד פרמטרים פעילים לכל טוקן, הקשר של 1M טוקנים. Nemotron for Science הוא מה ש-NVIDIA הכריזה ב-SC26 ב-16 בנובמבר: אותו צ'קפוינט בתוספת LitmusBench v0.2, כ-50,000 שאלות חשיבה כימיות, בתוספת מתכוני post-training וחיווט כלים של CUDA-X, בתוספת שבע פריסות מוסדיות בשמות ספציפיים.
אז השאלה השימושית אינה איזו מהן טובה יותר. היא מה החבילה מנובמבר מוסיפה לצ'קפוינט מאוקטובר, האם התוספות מצדיקות שם נפרד, ומה הייתם מורידים בפועל היום אם הייתם רוצים להריץ סוכני כימיה על סיליקון של NVIDIA. זו שאלה מעניינת יותר מטבלת מפרטים, והתשובה מחמיאה ל-NVIDIA יותר משסיפור של אריזה מחדש בדרך כלל מחמיא.
מה שזהה, וזה רובו
מתחילים בנקודת הביקורת, כי הכול בשתי החבילות נשען עליה. הארכיטקטורה אינה משתנה בין אוקטובר לנובמבר: תערובת מומחים היברידית של Mamba-2 ו-Transformer, 512 מומחים מנותבים בכל שכבת MoE, ראשי ניבוי רב-אסימוניים, מקודד חזותי C-RADIO ומחבר חזותי-לשוני, 120B פרמטרים בסך הכול עם 12B פעילים לכל אסימון, ועד 1M אסימונים של הקשר. הקלט הוא טקסט, תמונות RGB ווידאו MP4 באורך של עד שתי דקות; הפלט הוא טקסט. מאמץ החשיבה ניתן להגדרה דרך תבנית הצ'אט במצב כבוי, בינוני או פועל.
• פרמטרים — 120B בסך הכול, 12B פעילים. זהה בשניהם. אין Nemotron for Science צ'ק פוינט עם מספר פרמטרים שונה, כי אין Nemotron for Science צ'ק פוינט נפרד.
• רישיון — OpenMDW-1.1 לשימוש מסחרי ולא-מסחרי. זהה, וזה מה שמאפשר בכלל את הפיץ' של post-training.
• הקשר — 1M אסימונים, כאשר הכרטיס ממליץ על וידאו ב-2 FPS עד 256 פריימים, או 1 FPS ו-128 פריימים ב-1080p.
• מינימום חומרה — 4× H100 או 2× GB200 ב-BF16; גרסת ה-NVFP4 נכנסת ב-DGX Spark בודד, ב-H200 אחד, בשני H100 או ב-GB200 אחד. קו ה-DGX Spark הוא זה ש-SC26 נשען עליו, והוא אותו קו שכרטיס אוקטובר כבר נשא.
• בנצ'מרקים — 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, CharXiv reasoning 80.82. הכול לפי דיווחי הספק, כולם פורסמו עם כרטיס אוקטובר, אף אחד מהם אינו חדש.
אם כבר הורדת את Nemotron 3.5 Super באוקטובר, יש לך את המודל שעליו בנוי Nemotron for Science. שום דבר בהכרזת נובמבר לא משנה את המשקלים שלו.
מה שבאמת חדש, וזה לא דבר של מה בכך
עכשיו החלק ששווה את המאמר. שלושה דברים הגיעו ב-16 בנובמבר שלא היו קיימים ב-15 באוקטובר, וכל אחד מהם משנה את מה שאפשר לעשות ביום הראשון.
LitmusBench v0.2 הוא הכותרת. כ-50,000 שאלות חשיבה כימית, שנבנו מנתוני תכונות מולקולריות ומרשומות ניסוייות של גילוי תרופות, ומכסות משימות כמו חיזוי מסיסות וכיצד הגוף מבצע מטבוליזם של תרכובת. שני מאפיינים הופכים אותו ליותר מטבלת דירוג: הוא פתוח, והוא מיועד לשמש גם לפוסט־אימון וגם להערכה. מודל 120B עם רישיון מתירני ובלי נתוני כימיה לכוונון עדין הוא מודל שעבורו צריך לבנות מערך נתונים; מודל 120B שמגיע עם 50,000 שאלות כימיה מתויגות הוא מודל שאפשר להתאים בתוך שבוע. זהו ההבדל שהחבילה משיגה.
המתכונים הם החלק השני. NVIDIA פרסמה מתכוני פוסט-אימון להסתגלות לתחום ותיעוד להטמעת המודל בתהליכי עבודה של סוכנים שקוראים מידע מדעי, כותבים קוד ומפעילים כלים מואצים ב-CUDA-X. לכל מי שניסה לגרום למודל כללי לקרוא נכון לחבילת דינמיקה מולקולרית, תיעוד חיווט הכלים הוא החלק הלא-זוהר שקובע אם הלולאה עובדת בכלל.
הפריסות הן הדבר השלישי, והן ראיות ולא ארטיפקטים. Terray Therapeutics ביצעה אימון-המשך למודל על דיאגרמות כימיה והשיגה כ-76% מהתגובות המסומנות ב-RxnScribe, ועקפה תוצאות שפורסמו בעבר בשני בנצ'מרקים. Lila Sciences הגיעה ל-61% דיוק בסינתזת נקודות קוונטיות, לעומת 54% עבור GPT-6 Astra, בעלות הסקה נמוכה פי 10–20. Therna כמעט הכפילה את דיוק חיזוי טווח ביטוי החלבון עבור תכנון mRNA, כשמדענים העדיפו את ההסברים שלה ב-96% מההשוואות העיוורות. Argonne משלב אותה ב-StructBioReasoner; Jülich משלב אותה בסוכני גילוי תרופות ומדע; RIKEN מגישה אותה ב-RIKYU דרך שער RiVault. ו-KTH בנתה סוכן תיקון ל-GROMACS שתיקן 81% מהתצורות שנשברו בכוונה בריצת לילה אחת על DGX Spark יחיד, באימות של GROMACS עצמו.

מדוע הפיצול לשני שמות מוצדק
הקריאה הצינית היא ש-NVIDIA הכריזה על אותו מודל פעמיים. אני לא חושב שזה מחזיק מים, והסיבה היא ששתי ההכרזות עונות על שאלות שונות.
שאלת אוקטובר הייתה "מהו הצ'קפוינט הזה והאם אפשר לפרוס אותו?" התשובה הייתה מודל MoE חזותי-לשוני עם 120B פרמטרים וחלון של 1M טוקנים, דרישת חומרה מינימלית שנעה מ-DGX Spark ועד צומת GB200, וטענת מהירות — מהיר פי 5 מהמודל הטוב הבא בקטגוריה, לפי NVIDIA, אף ש-Artificial Analysis לא כללה את המודל ברשימתה בזמן שהטענה נעשתה. זו השקת מודל.
השאלה של נובמבר היא "מה עושה קבוצת כימיה איתו ביום שני?" התשובה לכך היא מערך נתונים, מתכון, ושבעה ארגונים שכבר עשו זאת ודיווחו מספרים. אספקת משקלים אינה אותו מוצר כמו אספקת תהליך עבודה, והאפשרות השנייה היא מה שקבוצת מחקר יכולה למעשה לאמץ.
הראיה החזקה ביותר לפרשנות הזו היא הצורה של תוצאות השותפים. כל מספר כותרת בודד מגיע מגרסה שעברה אימון-המשך, ולא מנקודת הבדיקה כפי שהופצה. Terray התאימה אותו על דיאגרמות. Lila התאימה אותו על משוב מהמעבדה. Therna התאימה אותו על נתוני תכנון mRNA. החבילה לא טוענת שמודל הבסיס הוא כימאי; היא טוענת שמודל הבסיס הוא נקודת מוצא מספיק טובה כדי שצוות בתחום יוכל להפוך אותו לכזה. זו טענה צנועה יותר ושימושית יותר, והיה מוזר להשמיע אותה באוקטובר, לפני שמערך הנתונים שהיה נחוץ כדי להשמיע אותה היה קיים.
מה שהחבילה עדיין לא נותנת לך
שלושה פערים, לפי סדר העלות שתיגרם לך אם תגלה אותם בדרך הקשה.
• אין הערכה עצמאית לכימיה.Artificial Analysis אכן מפרטת את Nemotron 3.5 Super VL — Intelligence Index 14, 291 אסימוני פלט לשנייה, 11.85 שניות עד לאסימון התשובה הראשון, $0.20 למיליון קלט ו-$0.50 למיליון פלט עם הנחת מטמון של 75%. זהו ציון כללי של צד שלישי, וכדאי לדעת אותו. זה אינו ציון כימיה. כל נתון מדעי בהפצת SC26 הופק על ידי גורם שיש לו עניין בדבר, ו-LitmusBench v0.2 חדש מספיק כדי שאף קבוצה חיצונית לא פרסמה עליו תוצאה.
• אין מחיר מהספק. ה-$0.20/$0.50 שלעיל הם מדד של פלטפורמת צד שלישי, ולא מחירון של NVIDIA. NVIDIA לא פרסמה תמחור NIM לפי טוקן, מה שאומר שהמסלול היחיד לתקצוב עם עלות ידועה הוא אירוח עצמי.
• אין שיעור השלמה ללולאת הסוכן. תוצאת KTH מדווחת כי 81% ממקרי הבדיקה תוקנו, וזהו המספר המוחשי ביותר בגרסה — אך היא אינה מדווחת כמה קריאות לכלי נדרשו לכל תיקון, באיזו תדירות לולאת הסוכן חזרה על עצמה ללא התקדמות, או מה עלותה של משימה שהושלמה. אלה המספרים שקובעים אם סוכן ניתן לפריסה או רק מרשים.
איך להריץ אותו, ואיפה ה-stack הסובב משתלב
ההמלצות לפריסה בהירות באופן יוצא דופן עבור שחרור במשקלים פתוחים, אז קחו אותן כפשוטן. הכרטיס מפרט vLLM עם TP4 או TP2, --trust-remote-code, תזמון אסינכרוני, פענוח ספקולטיבי MTP עם חמישה טוקנים לטיוטה ו---max-num-seqs 32; או SGLang עם מטמון KV ב-FP8 ופענוח ספקולטיבי EAGLE בחמישה שלבים. הדגימה היא טמפרטורה 1.0 עם top_p 0.95 לטקסט ו-0.6 עם 0.95 לראייה, ושם השרת בדוגמאות הוא nemotron-3.5-super-vl. מגבלות המולטימודל הן תמונה אחת וסרטון אחד לכל פרומפט. זו תצורה שאפשר להעתיק ולא לגזור.
Nemotron 3.5 Super VL אינו בקטלוג שלנו — אנחנו לא מגישים אותו, ולכן המסלול העצמאי הוא המסלול האמיתי, וזה דבר הוגן לומר במאמר על צ'קפוינט פתוח. הצד שלנו בערימה נכנס לתמונה דווקא סביב מודל המדע ולא בתוכו. סוכן מחקר הוא מתכנן שעוטף צ'קפוינט תחומי: הוא מפרק משימה, קורא למודל הכימיה, קורא לסימולציה, קורא את התוצאה ומחליט מה לעשות הלאה. המתכנן הוא בדרך כלל מודל כללי, וזו השכבה שבה מפתח אחד על פני יותר מ-200 מודלים במחיר המחירון של הספק עם 0% תוספת חוסך את עבודת האינטגרציה — עם מעבר אוטומטי לגיבוי, כך שריצה לילית של שש שעות לא תיכשל בשעה החמישית בגלל ספק אחד שהידרדר. מיזוג מודלים הוא המנוף הנוסף שכדאי להכיר כאן: פאנל מודלים שעונים יחד על אותה שאלת כימיה הוא דרך סבירה למיין אילו פרוטוקולים שווה להריץ על חומרה אמיתית.

מה לראות
ציון חיצוני ראשון של LitmusBench v0.2 הוא הדבר השימושי ביותר שיכול להופיע, מפני שזהו המספר היחיד בסיפור הזה שצד ניטרלי יכול להפיק. מחירון של NIM יהפוך את ההשוואה בין אירוח מנוהל לאירוח עצמי לחישוב ולא לניחוש. ודוח של לולאת סוכן — שיעור השלמה, תקציב קריאות לכלים, עלות לכל משימה שהושלמה — יהפוך את תוצאות KTH ו-Lila מאנקדוטות מעודדות למשהו שקבוצה יכולה לתכנן לפיו.
עד אז, הגרסה הקצרה: אם הורדתם את {{1}}Nemotron 3.5 Super{{/1}} באוקטובר, {{2}}Nemotron for Science{{/2}} לא מחליף אותו, אלא מרחיב אותו עם הנתונים והמתכונים שהופכים אותו לכלי כימיה. אם לא, החבילה מנובמבר היא נקודת הכניסה הטובה יותר, כי מדובר באותם משקלים עם ערכת התחלה מצורפת.

