
Nemotron for Science vs Nemotron 3.5 Super: Bobot Sama, Produk Berbeda
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 90 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 89 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 133 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 juta token · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 juta token · 179 tok/s
Perbandingan ini memiliki fakta yang janggal di tengahnya: NVIDIA Nemotron for Science dan NVIDIA Nemotron 3.5 Super bukanlah dua model. Keduanya adalah checkpoint 120 miliar parameter yang sama, dikirim dengan selisih lima minggu, dalam kemasan berbeda. Nemotron 3.5 Super adalah bobotnya — repositori dengan nama lengkap Nemotron 3.5 Super VL 120B A12B, tersedia di Hugging Face sejak 12 Oktober 2026, diumumkan pada 15 Oktober, OpenMDW-1.1, 12 miliar parameter aktif per token, konteks 1 juta token. Nemotron for Science adalah yang diumumkan NVIDIA di SC26 pada 16 November: checkpoint tersebut ditambah LitmusBench v0.2, sekitar 50.000 pertanyaan penalaran kimia, ditambah resep pasca-pelatihan dan integrasi alat CUDA-X, ditambah tujuh deployment institusional yang disebutkan namanya.
Jadi, pertanyaan yang berguna bukanlah mana yang lebih baik. Pertanyaannya adalah apa yang ditambahkan paket November ke checkpoint Oktober, apakah tambahan itu cukup untuk membenarkan nama terpisah, dan apa yang sebenarnya akan Anda unduh hari ini jika Anda ingin menjalankan agen kimia di silikon NVIDIA. Itu pertanyaan yang lebih menarik daripada tabel spesifikasi, dan jawabannya lebih menyanjung NVIDIA daripada biasanya kisah pengemasan ulang.
Apa yang identik, dan sebagian besar memang demikian.
Mulai dari checkpoint, karena semua yang ada di kedua paket bergantung padanya. Arsitekturnya tidak berubah antara Oktober dan November: campuran pakar hibrida Mamba-2 dan Transformer, 512 expert yang dirutekan per lapisan MoE, kepala prediksi multi-token, encoder visi C-RADIO dan konektor visi-bahasa, 120B parameter total dengan 12B aktif per token, serta konteks hingga 1 juta token. Masukannya adalah teks, gambar RGB, dan video MP4 hingga dua menit; keluarannya adalah teks. Upaya penalaran dapat dikonfigurasi melalui templat chat pada mode nonaktif, sedang, atau aktif.
• Parameter — total 120B, aktif 12B. Identik pada keduanya. Tidak ada checkpoint Nemotron for Science dengan jumlah parameter yang berbeda, karena tidak ada checkpoint Nemotron for Science yang terpisah.
• Lisensi — OpenMDW-1.1 untuk penggunaan komersial dan non-komersial. Identik, dan itulah yang membuat tawaran pasca-pelatihan dapat terwujud.
• Konteks — 1 juta token, dengan kartu merekomendasikan video pada 2 FPS hingga 256 frame, atau 1 FPS dan 128 frame pada 1080p.
• Basis perangkat keras — 4× H100 atau 2× GB200 pada BF16; konfigurasi NVFP4 muat di satu DGX Spark, satu H200, dua H100, atau satu GB200. Lini DGX Spark adalah yang diandalkan SC26, dan itu adalah lini yang sama yang sudah dibawa oleh kartu Oktober.
• Benchmark — 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. Semua dilaporkan vendor, semua dipublikasikan dengan kartu Oktober, tidak ada yang baru.
Jika Anda sudah mengunduh Nemotron 3.5 Super pada Oktober, Anda memiliki model yang menjadi dasar Nemotron for Science. Tidak ada apa pun dalam pengumuman November yang mengubah bobotnya.
Apa yang sebenarnya baru, dan itu bukanlah hal yang tidak berarti.
Kini tibalah bagian yang membuat artikel ini berharga. Tiga hal hadir pada 16 November yang belum ada pada 15 Oktober, dan masing-masing mengubah apa yang dapat Anda lakukan pada hari pertama.
LitmusBench v0.2 adalah berita utamanya. Sekitar 50.000 pertanyaan penalaran kimia, dibangun dari data sifat molekuler dan catatan eksperimen penemuan obat, mencakup tugas-tugas seperti memprediksi kelarutan dan bagaimana tubuh memetabolisme suatu senyawa. Dua sifat membuatnya lebih dari sekadar papan peringkat: terbuka, dan dirancang untuk digunakan untuk pasca-pelatihan serta evaluasi. Model 120B dengan lisensi permisif dan tanpa data kimia untuk fine-tuning adalah model yang harus Anda bangun datasetnya; model 120B yang disertai 50.000 pertanyaan kimia beranotasi adalah model yang dapat Anda adaptasi dalam seminggu. Itulah perbedaan yang dihadirkan paket ini.
Resepnya adalah bagian kedua. NVIDIA menerbitkan resep pasca-pelatihan untuk adaptasi domain dan dokumentasi untuk menyematkan model dalam alur kerja agen yang membaca informasi ilmiah, menulis kode, dan memanggil perkakas yang dipercepat CUDA-X. Bagi siapa pun yang pernah mencoba membuat model umum memanggil paket dinamika molekuler dengan benar, dokumentasi penyambungan perkakas adalah bagian yang tidak glamor yang menentukan apakah loop itu berfungsi sama sekali.
Deployment ini adalah yang ketiga, dan merupakan bukti, bukan artefak. Terray Therapeutics melakukan pasca-pelatihan model pada diagram kimia dan memulihkan sekitar 76% reaksi beranotasi di RxnScribe, mengalahkan hasil yang dipublikasikan sebelumnya pada dua benchmark. Lila Sciences mencapai akurasi sintesis quantum dot sebesar 61% dibandingkan 54% untuk GPT-6 Astra dengan biaya inferensi 10–20× lebih rendah. Therna hampir menggandakan akurasi prediksi rentang ekspresi protein untuk desain mRNA, dengan para ilmuwan lebih menyukai penjelasannya dalam 96% perbandingan tersamar. Argonne mengintegrasikannya ke StructBioReasoner; Jülich ke agen penemuan obat dan sains; RIKEN menyajikannya di RIKYU melalui gateway RiVault. Dan KTH membangun agen perbaikan GROMACS yang memperbaiki 81% penyiapan yang sengaja dirusak dalam satu eksekusi semalam pada satu DGX Spark, diverifikasi oleh GROMACS sendiri.

Mengapa pemisahan menjadi dua nama dapat dipertahankan
Pandangan sinisnya adalah bahwa NVIDIA mengumumkan model yang sama dua kali. Menurut saya itu tidak benar, dan alasannya adalah kedua pengumuman tersebut menjawab pertanyaan yang berbeda.
Pertanyaan Oktober adalah "{{1}}apa checkpoint ini dan dapatkah ini di-deploy?{{/1}}" Jawabannya adalah MoE visi-bahasa 120B dengan jendela 1M token, kebutuhan perangkat keras minimum yang membentang dari DGX Spark hingga node GB200, dan klaim kecepatan — 5× lebih cepat daripada pesaing terbaik berikutnya di kelasnya, menurut NVIDIA, meskipun Artificial Analysis tidak mencantumkan model tersebut pada saat klaim itu dibuat. Itu adalah peluncuran model.
Pertanyaan November adalah "apa yang dilakukan kelompok kimia dengan itu pada hari Senin?" Jawaban itu adalah kumpulan data, resep, dan tujuh organisasi yang telah melakukannya dan melaporkan angka. Mengirimkan bobot bukanlah produk yang sama dengan mengirimkan alur kerja, dan yang kedua adalah yang benar-benar dapat diadopsi oleh kelompok riset.
Bukti terkuat untuk pembacaan itu adalah bentuk hasil dari para mitra. Setiap angka utama berasal dari varian yang telah dilatih lanjut, bukan dari checkpoint sebagaimana dirilis. Terray mengadaptasinya pada diagram. Lila mengadaptasinya berdasarkan umpan balik laboratorium. Therna mengadaptasinya pada data desain mRNA. Paket ini tidak mengklaim bahwa model dasar adalah seorang ahli kimia; paket ini mengklaim bahwa model dasar adalah titik awal yang cukup baik sehingga tim domain dapat menjadikannya ahli kimia. Itu klaim yang lebih sederhana dan lebih berguna, dan akan terasa aneh untuk membuat klaim itu pada Oktober, sebelum dataset yang diperlukan untuk mendukungnya ada.
Apa yang masih tidak diberikan paket ini kepada Anda
Tiga celah, diurutkan berdasarkan seberapa besar biaya yang harus Anda tanggung jika menemukannya dengan cara yang sulit.
• Tidak ada evaluasi kimia independen. Artificial Analysis memang mencantumkan Nemotron 3.5 Super VL — Intelligence Index 14, 291 token per detik keluaran, 11.85s ke token jawaban pertama, $0.20 per juta token masukan dan $0.50 per juta token keluaran dengan diskon cache 75%. Itu adalah skor umum pihak ketiga, dan itu layak diketahui. Itu bukan skor kimia. Setiap angka sains dalam rilis SC26 dihasilkan oleh pihak yang memiliki kepentingan di dalamnya, dan LitmusBench v0.2 cukup baru sehingga belum ada kelompok luar yang menerbitkan hasilnya.
• Tidak ada harga vendor. $0.20/$0.50 di atas adalah meteran platform pihak ketiga, bukan daftar harga NVIDIA. NVIDIA belum menerbitkan harga NIM per token, yang berarti satu-satunya jalur penganggaran dengan biaya yang diketahui adalah self-hosting.
• Tidak ada tingkat penyelesaian untuk loop agen. Hasil KTH melaporkan 81% kasus uji berhasil diperbaiki, yang merupakan angka paling konkret dalam rilis ini — tetapi tidak dilaporkan berapa banyak panggilan alat yang dibutuhkan untuk setiap perbaikan, seberapa sering agen melakukan loop tanpa kemajuan, atau berapa biaya untuk menyelesaikan sebuah tugas. Angka-angka itulah yang menentukan apakah sebuah agen layak diterapkan atau sekadar mengesankan.
Cara menjalankannya, dan di mana stack di sekitarnya cocok
Saran penerapannya luar biasa jelas untuk rilis berbobot terbuka, jadi ambillah secara harfiah. Kartu tersebut menentukan vLLM dengan TP4 atau TP2, --trust-remote-code, penjadwalan asinkron, MTP speculative decoding dengan lima token draf dan --max-num-seqs 32; atau SGLang dengan FP8 KV cache dan EAGLE speculative decoding pada lima langkah. Pengambilan sampelnya adalah temperature 1.0 dengan top_p 0.95 untuk teks dan 0.6 dengan 0.95 untuk visi, dan nama server dalam contohnya adalah nemotron-3.5-super-vl. Batas multimodalnya adalah satu gambar dan satu video per prompt. Itu adalah konfigurasi yang bisa Anda salin alih-alih turunkan sendiri.
Nemotron 3.5 Super VL tidak ada di katalog kami — kami tidak menyediakannya, jadi jalur self-hosted adalah jalur yang sebenarnya, dan itu wajar untuk dikatakan dalam artikel tentang checkpoint terbuka. Bagian kami dari stack justru berperan di sekitar model sains, bukan di dalamnya. Agen riset adalah perencana yang membungkus checkpoint domain: ia menguraikan tugas, memanggil model kimia, memanggil simulasi, membaca hasilnya, dan memutuskan apa yang harus dilakukan selanjutnya. Perencana biasanya adalah model umum, dan itulah lapisan tempat satu kunci untuk lebih dari 200 model pada harga daftar penyedia dengan markup 0% menghemat pekerjaan integrasi — dengan failover otomatis, sehingga proses semalam selama enam jam tidak gagal pada jam kelima karena satu penyedia menurun. Fusi model adalah tuas lain yang perlu diketahui di sini: panel model yang menjawab pertanyaan kimia yang sama secara bersama-sama adalah cara yang wajar untuk menyortir protokol mana yang layak dijalankan pada perangkat keras nyata.

Apa yang harus ditonton
Skor LitmusBench v0.2 eksternal pertama adalah hal paling berguna yang bisa muncul, karena itulah satu-satunya angka dalam cerita ini yang dapat dihasilkan oleh pihak netral. Kartu tarif NIM akan membuat perbandingan hosted versus self-hosted menjadi aritmetika, bukan tebakan. Dan laporan loop agen — tingkat penyelesaian, anggaran panggilan alat, biaya per tugas yang diselesaikan — akan mengubah hasil KTH dan Lila dari anekdot yang menggembirakan menjadi sesuatu yang bisa dijadikan dasar perencanaan oleh sebuah kelompok.
Sampai saat itu, versi singkatnya: jika Anda menarik Nemotron 3.5 Super pada Oktober, Nemotron for Science tidak menggantikannya, melainkan memperluasnya dengan data dan resep yang menjadikannya alat kimia. Jika tidak, paket November adalah titik masuk yang lebih baik, karena bobotnya sama dengan kit pemula yang terlampir.

