
NVIDIA Nemotron for Science 내부: SC26의 오픈 화학 스택이 실제로 제공하는 것
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 90 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 89 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 133 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100만 토큰당 · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100만 토큰당 · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955지능
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855지능
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100만 토큰당 · 179 tok/s
81퍼센트는 가장 먼저 언급할 만한 수치이며, 벤치마크 점수가 아닙니다. 이는 의도적으로 망가뜨린 GROMACS 분자 동역학 설정 중 에이전트가 NVIDIA Nemotron for Science를 기반으로 구축되어 단 한 대의 DGX Spark 워크스테이션에서 하룻밤에 걸친 한 번의 실행으로 수리한 비율입니다. KTH Royal Institute of Technology에 따르면, 모든 수정 사항은 모델이 자기 숙제를 채점하는 것이 아니라 GROMACS 자체에서 검증되었습니다. NVIDIA는 2026년 11월 16일 시카고에서 열린 SC26에서 하이퍼스케일 및 고성능 컴퓨팅 담당 부사장 Ian Buck을 통해 이 컬렉션을 발표했습니다. 이는 한 상자에 담긴 세 가지 산출물입니다: 공개 Nemotron 3.5 Super VL 체크포인트, 약 50,000개 질문 규모의 공개 화학 데이터셋 LitmusBench v0.2, 그리고 모델을 CUDA-X 가속 과학 도구에 연결하는 사후 학습 레시피 세트입니다.
흥미로운 부분은 바로 그 조합이며, 헤드라인이 내세우는 부분은 아니다. 벤더가 또 하나의 오픈 체크포인트를 내놓는 일은 2026년 말쯤이면 일상적이다. NVIDIA는 이 체크포인트를 10월에 출시했다. 11월 16일에 새로운 것은 그 주변의 발판, 즉 평가 세트, 레시피, 그리고 리더보드 대신 실제 과학 워크플로에 모델을 적용할 때 무슨 일이 일어나는지를 설명하는 이름이 명시된 기관 도입 사례들이다. 이 글은 컬렉션에 실제로 무엇이 들어 있는지, 파트너 수치가 무엇을 입증하고 무엇을 입증하지 않는지, 그리고 이를 기반으로 구축하려는 사람들에게 격차가 어디에 있는지를 살펴본다.
세 개의 아티팩트, 분리됨
NVIDIA의 보도자료와 함께 제공된 X 게시물은 하나의 패키지를 설명합니다. 이를 개별 요소로 나눠 보는 것이 중요한데, 각 구성 요소는 라이선스 입장이 다르고, 성숙도 수준이 다르며, 관심을 가져야 할 이유도 다르기 때문입니다.
• 체크포인트 — Nemotron 3.5 Super VL은 토큰당 120억 개가 활성화되는 1,200억 매개변수 전문가 혼합(MoE) 모델이며, MoE 계층마다 512개의 라우팅된 전문가를 갖춘 Mamba-2와 Transformer 하이브리드, C-RADIO 비전 인코더, 최대 100만 토큰의 컨텍스트를 갖추고 있습니다. 텍스트, 이미지, 2분 길이 MP4 동영상을 입력으로 받고 텍스트를 출력합니다. OpenMDW-1.1 라이선스로 상업적 및 비상업적 사용이 가능하며, 가중치는 Hugging Face에 있습니다. 이것은 11월 16일에 새로 나온 것이 아닙니다 — 저장소는 10월 12일에 공개되었고 NVIDIA의 자체 발표는 10월 15일에 이어졌습니다.
• 데이터셋 — LitmusBench v0.2는 분자 특성 데이터와 실험적 신약 개발 기록에서 추출한 약 50,000개의 화학 추론 질문으로 구성된 공개 세트입니다. 이는 과학 벤치마크가 보통 두 파일로 나누어야 하는 두 가지 역할을 위해 구축되었습니다. 즉, 화학 추론을 평가하며 사후 학습 데이터로도 사용할 수 있습니다. 용해도 예측과 대사 운명은 NVIDIA가 명시적으로 언급한 두 가지 작업군입니다.
• 레시피와 툴링 — 도메인 적응을 위한 포스트 트레이닝 레시피와, 에이전트가 CUDA-X로 가속된 과학 소프트웨어를 도구로 호출할 수 있게 하는 연결 구성입니다. 이 부분은 채팅 모델을 시뮬레이션을 실행하고, 출력을 읽고, 다음에 무엇을 할지 결정할 수 있는 것으로 바꿔 주는 요소입니다.
체크포인트는 세 가지 중 가장 새롭지 않고, 데이터셋은 가장 오래 지속된다. 벤치마크 스위트는 시간이 지나면 낡는다. 허용적 라이선스가 붙은 5만 문항 화학 문제 세트는 3년 뒤에도 여전히 인용될 만한 것이며, NVIDIA가 이번 공개에서 무료로 내놓기 위해 가장 많은 비용을 들인 부분이다.

파트너 결과가 실제로 입증하는 것
발표문에는 일곱 개 조직이 이름을 올렸으며, 그들에게 붙은 수치들은 이 보도자료에서 증거에 가장 가까운 것들이다. 이 모든 것은 공급업체가 보고한 것이며 어느 것도 독립적으로 재현된 적이 없다 — 이 단서는 이 섹션의 모든 수치에 적용되며, 이것이 이 수치들을 점수라기보다 사례 연구로 읽어야 하는 이유다.
Terray Therapeutics는 특허와 논문에 그려진 반응식인 화학 도표로 모델을 사후 학습시켜 반응물, 생성물 및 반응 조건을 추출했습니다. RxnScribe에서 주석이 달린 반응의 약 76%를 복원했고 두 벤치마크에서 이전에 발표된 결과를 능가했습니다. 도표 추출은 화려하지 않으며 실제 화학 노동의 상당 부분이 바로 여기에 투입되므로, 명명된 벤치마크에서 76% 복원율은 추론 점수보다 더 유용한 주장입니다.
Lila Sciences가 이번 발표에서 내세우는 숫자다. 자동화 실험실을 위한 실행 가능한 실험실 프로토콜을 생성하면서, 이 기본 모델은 전혀 미세 조정 없이 프런티어 성능과 맞먹었다. 실험실 피드백을 활용한 포스트트레이닝을 거치자 양자점 합성 정확도는 61%에 도달했으며, 이는 GPT-6 Astra의 54%와 비교되는 수치이고 추론 비용은 10–20배 더 낮았다. 두 가지는 짚고 넘어갈 만하다. 7점 격차는 그 프로토콜이 실제로 작동한다면 실재하는 것이고, 비용 배수는 더 중대한 수치다. 10–20배의 추론 비용 절감은 어떤 실험을 아예 실행할 가치가 있는지를 바꾼다. 그러나 이는 포스트트레이닝을 수행한 주체가 그들이 선택한 과제에서 그들이 이름을 밝힌 경쟁자를 상대로 수행한 비교다.
Therna는 에이전트형 mRNA 치료제 설계를 위해 포스트트레이닝되었으며 단백질 발현 범위 예측 정확도를 거의 두 배로 높였다. 블라인드 비교에서 과학자들은 96%의 사례에서 기본 모델의 설명보다 이 모델의 설명을 선호했다. 선호도는 정확성이 아니며, 96%의 선호율은 추론이 어떻게 읽히는지에 대한 진술일 뿐 그것이 옳은지에 대한 진술은 아니다.
그다음은 기관 배포 사례들인데, 이 사례들이 제가 가장 설득력 있다고 보는 부분입니다. 바로 이 사례들이 성과로 포장되지 않았기 때문입니다. Argonne National Laboratory는 Nemotron을 단백질 기반 항암 치료제 설계를 위한 멀티 에이전트 시스템인 StructBioReasoner에 통합하고 있습니다. Jülich Supercomputing Centre는 이를 약물 및 과학 발견 에이전트에 통합하고 있습니다. RIKEN은 Super VL을 포함한 모델들을 RiVault 추론 게이트웨이를 통해 RIKYU 슈퍼컴퓨팅 플랫폼에서 제공하고 있습니다. 이는 실제 하드웨어에서 실제 사용자를 위한 실제 프로덕션 경로입니다. 그리고 KTH는 그 81% 수치의 배경이 된 GROMACS 복구 에이전트를 단일 DGX Spark에서 하룻밤 만에 구축했습니다.
KTH 결과는 그 형태 때문에 별도의 한 문장을 할애할 만하다. 망가진 분자 동역학 설정은 흔하고 대량으로 발생하는 실패다. 맞지 않는 힘장, 좌표 파일과 일치하지 않는 토폴로지, 누락된 include 같은 것이다. 그중 81%를 고치는 것은 추론 벤치마크가 아니다. 그것은 모델이 현재 계산화학 그룹이 대학원생에게 맡기는 종류의 작업을 수행하는 것이며, 모델이 아니라 시뮬레이션 엔진에 의해 검증되므로 이번 릴리스에서 가장 깔끔한 증거가 된다.
왜 이것이 모델의 옷을 입은 포스트트레이닝 이야기인가
릴리스 자료를 다시 읽고 NVIDIA가 실제로 요구하는 것이 무엇인지 주목하라. 모든 파트너 결과에는 적응이 포함된다. Terray는 다이어그램으로 포스트트레이닝했고, Lila는 실험실 피드백으로 포스트트레이닝했으며, Therna는 mRNA 설계로 포스트트레이닝했다. 헤드라인 수치 중 단 하나도 출하된 그대로의 체크포인트에서 나온 것이 아니다. 이는 의도된 일이며, 이 발표에서 가장 정직한 부분이다.
논지는 이제 베이스 모델이 충분히 좋아서 차별화 요소는 사전 학습 실행이 아니라 후처리 학습 루프라는 것이다. NVIDIA는 그 루프를 판매하고 있다: 법무 검토 없이 미세 조정할 수 있는 허용적 라이선스의 120B 체크포인트, 미세 조정에 사용할 화학 데이터셋, 그리고 그 방법을 설명하는 레시피다. 이는 "우리 모델이 더 똑똑하다"는 것과는 진정으로 다른 제안이며, 가중치가 공개되어 있을 때만 통하는 제안이다 — 바로 그렇기 때문에 라이선스가 벤치마크 표보다 더 중요한 것이다.
또한 하드웨어 라인업도 설명합니다. NVIDIA에 따르면 이 모델은 128GB DGX Spark에서 로컬로 실행되도록 튜닝되었으며, BF16 빌드는 4× H100 또는 2× GB200을 요구하는 반면 NVFP4 빌드는 단일 DGX Spark, H200, 두 개의 H100 또는 GB200에 맞습니다. 포스트 트레이닝 루프는 반복적이고 대용량이며 저지연 워크로드이며, "노드를 임대한다"와 "벤치 위에 박스가 있다"의 차이는 분기에 두 번 실행하는 루프와 하루에 두 번 실행하는 루프의 차이입니다.
간극을, 분명히 말하자면
이번 릴리스에는 세 가지가 빠져 있으며, 각각은 계획을 바꿀 것입니다.
• 과학적 주장에 대한 독립적인 평가가 없습니다. Artificial Analysis는 실제로 Nemotron 3.5 Super VL을 추적하고 있으며, Intelligence Index 14, 초당 291 토큰의 출력, 첫 답변 토큰까지 11.85초, 그리고 입력 100만 토큰당 $0.20, 출력 100만 토큰당 $0.50에 75% 캐시 할인이라는 가격을 표시합니다. 이는 유용하며 제3자 출처입니다. 그러나 그중 어느 것도 화학 벤치마크는 아닙니다. SC26 발표의 모든 과학 관련 수치는 결과에 이해관계가 있는 당사자로부터 나온 것이며, LitmusBench v0.2는 너무 최신이라 아직 외부 그룹이 점수를 게시하지 않았습니다.
• 서비스로서 이 모델의 공개된 가격은 없습니다. AA에 등재된 $0.20/$0.50은 타사 플랫폼의 요금 계량 기준일 뿐 NVIDIA의 요금표가 아닙니다 — NVIDIA는 NIM에 대한 토큰당 가격을 공개하지 않았습니다. 예산을 책정 중이라면, 오늘날 솔직한 답은 비용이 알려진 유일한 경로가 자체 호스팅이라는 것입니다.
• 에이전트 루프에 대한 평가는 없고, 구성 요소에 대한 평가만 있습니다. 레시피는 계획하고, 시뮬레이션을 실행하고, 결과를 확인하고, 조정하는 에이전트를 설명합니다. 릴리스의 누구도 그 루프가 사람 없이 얼마나 자주 완료되는지, 얼마나 많은 도구 호출을 소모하는지, 완료된 작업당 비용이 얼마인지는 보고하지 않습니다. 그것이 에이전트가 제품인지 데모인지를 결정하는 숫자인데, 그 숫자들은 빠져 있습니다.

구축하고 있다면 이것이 의미하는 바
실용적으로 해석하면 Nemotron for Science는 도입하는 모델이 아니라 시작 키트입니다. 여러분의 그룹이 화학이나 구조 생물학을 다루고 GPU 역량이 있다면, 허용적 라이선스가 적용된 120B 체크포인트, 50,000개의 화학 질문, 공개된 레시피 세트의 조합은 첫 주에 정말 좋은 패키지입니다. 그리고 KTH 결과는 도구 호출 루프가 일상적인 실패에서 유용할 만큼 잘 작동한다는 것을 시사합니다.
이것은 호스팅 API를 그대로 대체하는 드롭인 대체품이 아닙니다. Nemotron 3.5 Super VL은 우리 카탈로그에 없고, 현재 제공하지 않으며, 이번 릴리스는 실제로 셀프 호스팅 경로를 중심으로 만들어졌습니다. 팀들이 더 큰 파이프라인의 추론 계층으로 호스팅 모델을 실행하는 경우—대부분 그렇습니다. 과학 모델을 둘러싼 에이전트 루프는 보통 범용 모델이기 때문입니다—라우팅 문제는 이번 발표와 별개입니다. 하나의 키로 200개 이상의 모델을 공급자 정가로 0% 마크업으로 이용할 수 있으며, 자동 장애 조치는 업스트림이 실행 중 성능이 저하될 때, 한 공급자가 안 좋은 오후를 보냈다는 이유로 몇 시간씩 걸리는 에이전트 작업이 3시간째에 죽지 않게 해주는 부분입니다.
다음에 볼 콘텐츠
첫 외부 LitmusBench v0.2 점수는 그 어떤 단일 벤치마크보다 더 많은 것을 확정합니다. 여기서 중립적인 주체가 산출할 수 있는 유일한 숫자가 바로 그것이기 때문입니다. 공개된 NIM 요금표가 있다면 비용 비교는 포지셔닝이 아니라 산술이 될 것입니다. 그리고 에이전트 루프 자체—완료율, 도구 호출 예산, 완료된 작업당 비용—에 대한 보고서는 이것을 유망한 키트에서 조달 결정으로 바꿔 줄 바로 그 항목입니다.
그때까지 가장 공정한 요약은 릴리스가 우연히 스스로 써 놓은 요약이다. NVIDIA는 10월에 좋은 체크포인트를 내놓았고, 11월에는 그 체크포인트를 유용하게 만드는 것을 내놓았다. 그것은 덜 흥미로운 발표이자 더 가치 있는 발표다.

