Plansza tytułowa dla NVIDIA Nemotron for Science z nagłówkiem „co dostarczono i co to dowodzi”, zawierająca cztery statystyki: około 50 000 pytań chemicznych LitmusBench v0.2, 120B parametrów łącznie i 12B aktywnych, 81% konfiguracji GROMACS naprawionych przez agenta KTH podczas jednego nocnego uruchomienia DGX Spark oraz okno kontekstu 1M tokenów.
Engineering & Research

W głębi NVIDIA Nemotron for Science: co tak naprawdę dostarcza Open Chemistry Stack z SC26

Autor

Gideon Frost

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Osiemdziesiąt jeden procent to liczba, od której warto zacząć, i nie jest to wynik benchmarku. To odsetek celowo zepsutych konfiguracji dynamiki molekularnej GROMACS, które agent zbudowany na NVIDIA Nemotron for Science naprawił podczas jednego nocnego przebiegu na jednej stacji roboczej DGX Spark, według KTH Royal Institute of Technology — przy czym każdą poprawkę sprawdził sam GROMACS, a nie model oceniający własną pracę. NVIDIA ogłosiła ten zestaw 16 listopada 2026 r. na SC26 w Chicago, za pośrednictwem Iana Bucka, wiceprezesa ds. hiperskali i obliczeń wysokowydajnościowych. To trzy artefakty w jednym pakiecie: otwarty checkpoint Nemotron 3.5 Super VL, otwarty zbiór danych chemicznych o nazwie LitmusBench v0.2 zawierający około 50 000 pytań oraz zestaw receptur dostrajania końcowego, które integrują model z przyspieszanymi przez CUDA-X narzędziami naukowymi.

Ta kombinacja jest interesującą częścią — i nie jest to ta część, którą sprzedaje nagłówek. Dostarczenie przez dostawcę kolejnego otwartego checkpointu jest rutynowe pod koniec 2026 roku; NVIDIA dostarczyła ten w październiku. Nowością z 16 listopada jest oprzyrządowanie wokół niego — zestaw ewaluacyjny, receptury oraz zestaw nazwanych wdrożeń instytucjonalnych, które opisują, co się dzieje, gdy skierujesz model na rzeczywisty przepływ pracy naukowej zamiast na tabelę wyników. Ten artykuł analizuje, co faktycznie znajduje się w kolekcji, co liczby partnerów dowodzą, a czego nie dowodzą, oraz gdzie są luki dla każdego, kto planuje na tym budować.

Trzy artefakty, oddzielone

Komunikat prasowy NVIDIA i towarzyszący mu wpis na X opisują jeden pakiet. Rozdzielenie go ma znaczenie, ponieważ każdy element ma inną sytuację licencyjną, inny poziom dojrzałości i inny powód, by się nim interesować.

• Punkt kontrolny — Nemotron 3.5 Super VL, mieszanka ekspertów z 120 miliardami parametrów i 12 miliardami aktywnych na token, hybryda Mamba-2 i Transformer z 512 routowanymi ekspertami na warstwę MoE, enkoder wizyjny C-RADIO i kontekst do 1 mln tokenów. Na wejściu tekst, obrazy i 2-minutowe wideo MP4; na wyjściu tekst. OpenMDW-1.1, użycie komercyjne i niekomercyjne, wagi na Hugging Face. To nie jest nowość z 16 listopada — repozytorium pojawiło się 12 października, a własne ogłoszenie NVIDIA nastąpiło 15 października.

• Zbiór danych — LitmusBench v0.2, otwarty zbiór około 50 000 pytań wymagających rozumowania chemicznego, pochodzących z danych o właściwościach cząsteczek i eksperymentalnych zapisów z procesu odkrywania leków. Został stworzony z myślą o dwóch zadaniach, które benchmark naukowy zwykle musi rozdzielić między dwa pliki: ocenia rozumowanie chemiczne i można go wykorzystać jako dane do dalszego trenowania. Przewidywanie rozpuszczalności i losy metaboliczne to dwie rodziny zadań, które NVIDIA wymienia wprost.

• Przepisy i narzędzia — przepisy dotyczące dostrajania po treningu pod adaptację dziedzinową, a także mechanizmy, które pozwalają agentowi wywoływać przyspieszane przez CUDA-X oprogramowanie naukowe jako narzędzia. To właśnie ten element zamienia model czatu w coś, co potrafi uruchomić symulację, odczytać jej wynik i zdecydować, co zrobić dalej.

Punkt kontrolny jest najmniej nowatorskim z całej trójki, a zbiór danych — najbardziej trwałym. Zestawy testów się starzeją; zbiór 50 000 pytań z chemii na liberalnej licencji to coś, co będzie się jeszcze cytować za trzy lata, i to właśnie tę część wydania NVIDIA najwięcej kosztowało, by oddać ją za darmo.

A two-column summary card contrasting what was announced at SC26 with what is not yet established: the checkpoint is Nemotron 3.5 Super VL at 120B total and 12B active, the dataset is LitmusBench v0.2 at about 50,000 questions, partner results include 76% RxnScribe recovery at Terray and 61% versus 54% quantum-dot accuracy at Lila, the licence is OpenMDW-1.1, and no NVIDIA rate card or agent completion rate has been published.

Co tak naprawdę wykazują wyniki partnera

W ogłoszeniu wymieniono siedem organizacji, a przypisane do nich dane liczbowe są w tym komunikacie najbliższe dowodom. Wszystkie pochodzą od dostawcy i żadne nie zostały niezależnie odtworzone — to zastrzeżenie dotyczy każdej liczby w tej sekcji i jest powodem, dla którego należy czytać je jako studia przypadków, a nie jako wyniki.

Terray Therapeutics dotrenowała model na diagramach chemicznych — schematach reakcji rysowanych w patentach i publikacjach — aby wyodrębniać substraty, produkty i warunki reakcji. W RxnScribe odzyskała około 76% oznaczonych reakcji i pobiła wcześniejsze opublikowane wyniki w dwóch benchmarkach. Ekstrakcja diagramów jest nieefektowna i to na nią w rzeczywistości przypada duża część prawdziwej pracy chemicznej, więc współczynnik odzysku 76% na nazwanym benchmarku jest użyteczniejszym twierdzeniem niż wynik rozumowania.

Lila Sciences to liczba, na której opiera się komunikat. Generując gotowe do wykonania protokoły laboratoryjne dla zautomatyzowanych laboratoriów, model bazowy dorównał wynikom czołowych modeli bez żadnego dostrajania. Po dostrajaniu z wykorzystaniem informacji zwrotnych z laboratorium dokładność syntezy kropek kwantowych osiągnęła 61% wobec 54% dla GPT-6 Astra, przy 10–20× niższym koszcie wnioskowania. Warto zwrócić uwagę na dwie rzeczy. Siedmiopunktowa różnica jest realna, jeśli protokół jest realny, a mnożnik kosztów jest liczbą o większym znaczeniu — oszczędność 10–20× na wnioskowaniu zmienia to, które eksperymenty w ogóle warto przeprowadzać. Ale to porównanie przeprowadzone przez stronę, która wykonała dostrajanie, na zadaniu przez nią wybranym, przeciwko konkurentowi, którego wskazała.

Therna została dotrenowana do projektowania terapeutyków mRNA w trybie agentowym i niemal podwoiła dokładność przewidywania zakresu ekspresji białka. W zaślepionym porównaniu naukowcy w 96% przypadków woleli jej wyjaśnienia od wyjaśnień modelu bazowego. Preferencja to nie dokładność, a 96-procentowy wskaźnik preferencji mówi o tym, jak brzmi rozumowanie, a nie o tym, czy jest słuszne.

A potem wdrożenia instytucjonalne, które są częścią, jaką uważam za najbardziej przekonującą właśnie dlatego, że nie są przedstawiane jako sukcesy. Argonne National Laboratory włącza Nemotron do StructBioReasoner, wieloagentowego systemu do projektowania terapii przeciwnowotworowych opartych na białkach. Jülich Supercomputing Centre integruje go z agentami do odkrywania leków i badań naukowych. RIKEN udostępnia modele, w tym Super VL, na swojej platformie superkomputerowej RIKYU poprzez bramę wnioskowania RiVault — rzeczywista ścieżka produkcyjna, na rzeczywistym sprzęcie, dla rzeczywistych użytkowników. A KTH zbudowało agenta naprawczego GROMACS stojącego za tym wynikiem 81%, na pojedynczym DGX Spark, w ciągu jednej nocy.

Wynik KTH zasługuje na osobne zdanie ze względu na swój kształt. Uszkodzona konfiguracja dynamiki molekularnej to przyziemna, masowa awaria: niedopasowane pole sił, topologia niezgodna z plikiem współrzędnych, brakujący include. Naprawienie 81% z nich nie jest benchmarkiem rozumowania. To model wykonujący tego rodzaju pracę, jaką grupa chemii obliczeniowej obecnie przydziela doktorantowi; weryfikuje to silnik symulacji, a nie model, co czyni ten wynik najczystszym dowodem w tym wydaniu.

Dlaczego to historia o post-trainingu ubrana w szaty modelu

Przeczytaj komunikat jeszcze raz i zauważ, o co NVIDIA tak naprawdę cię prosi. Każdy wynik partnera bez wyjątku wiąże się z adaptacją: Terray dotrenowany na diagramach, Lila dotrenowana na informacjach zwrotnych z laboratorium, Therna dotrenowana na projektowaniu mRNA. Żadna z najważniejszych liczb nie pochodzi z checkpointu w postaci dostarczonej. To jest celowe i to jest najbardziej uczciwa rzecz w tej zapowiedzi.

Argument jest taki, że modele bazowe są już wystarczająco dobre, więc elementem odróżniającym jest pętla po treningu, a nie przebieg pretreningu. NVIDIA sprzedaje tę pętlę: checkpoint 120B na permisywnej licencji, który można dostroić bez przeglądu prawnego, zbiór danych chemicznych do dostrajania oraz przepisy opisujące, jak to zrobić. To naprawdę inna propozycja niż „nasz model jest mądrzejszy” i propozycja, która działa tylko wtedy, gdy wagi są otwarte — i właśnie dlatego licencja ma większe znaczenie niż tabela benchmarków.

Wyjaśnia to również linię sprzętową. NVIDIA twierdzi, że model jest dostrojony do uruchamiania lokalnie na 128GB DGX Spark, a wersja BF16 wymaga 4× H100 lub 2× GB200, podczas gdy wersja NVFP4 mieści się na pojedynczym DGX Spark, H200, dwóch H100 lub GB200. Pętla po treningu to iteracyjne obciążenie o dużej intensywności i niskich opóźnieniach, a różnica między „wynajęciem węzła” a „pudełkiem na ławce” to różnica między pętlą uruchamianą dwa razy na kwartał a taką, którą uruchamia się dwa razy dziennie.

Luki, wyrażone wprost

W wydaniu brakuje trzech rzeczy, z których każda zmieniłaby sposób, w jaki planujesz.

• Brak niezależnej oceny twierdzeń naukowych. Artificial Analysis rzeczywiście śledzi Nemotron 3.5 Super VL — podaje Intelligence Index na poziomie 14, generowanie z szybkością 291 tokenów na sekundę, czas do pierwszego tokenu odpowiedzi wynoszący 11,85 sekundy oraz cenę katalogową 0,20 USD za milion tokenów wejściowych i 0,50 USD za milion tokenów wyjściowych, z 75-procentowym rabatem za cache. To jest przydatne i pochodzi od strony trzeciej. Żadna z tych danych nie jest testem porównawczym z chemii. Każda liczba naukowa w wydaniu SC26 pochodzi od podmiotu, który ma interes w wyniku, a LitmusBench v0.2 jest wystarczająco nowy, że żadna zewnętrzna grupa nie opublikowała jeszcze na nim wyniku.

• Brak opublikowanej ceny za korzystanie z modelu jako usługi. Podane w AA $0.20/$0.50 to licznik platformy zewnętrznej, a nie cennik NVIDIA — NVIDIA nie opublikowała żadnej stawki za token dla NIM. Jeśli planujesz budżet, uczciwa odpowiedź dzisiaj jest taka, że samodzielne hostowanie to jedyna ścieżka o znanym koszcie.

• Brak oceny pętli agenta, tylko komponentów. Przepisy opisują agenta, który planuje, uruchamia symulacje, sprawdza wyniki i dostosowuje. Nikt w wydaniu nie podaje, jak często ta pętla kończy się bez człowieka, ile wywołań narzędzi zużywa ani ile kosztuje na ukończone zadanie. To są liczby, które decydują, czy agent jest produktem, czy demonstracją, a ich brakuje.

A screenshot of NVIDIA's newsroom press release announcing Nemotron for Science at SC26, showing the announcement headline, the dateline and the opening paragraphs describing the collection of open models, datasets, tools and post-training recipes.

Co to oznacza, jeśli budujesz

Praktyczny wniosek jest taki, że Nemotron for Science nie jest modelem, który się wdraża; to zestaw startowy. Jeśli Twoja grupa zajmuje się chemią lub biologią strukturalną i dysponuje mocą obliczeniową GPU, połączenie checkpointu 120B na permisywnej licencji, 50 000 pytań chemicznych i zestawu opublikowanych receptur stanowi naprawdę dobry pakiet na pierwszy tydzień — a wynik KTH sugeruje, że pętla wywoływania narzędzi działa wystarczająco dobrze, by być przydatna przy rutynowych błędach.

Nie jest to zamiennik typu drop-in dla hostowanego API. Nemotron 3.5 Super VL nie znajduje się w naszym katalogu; nie udostępniamy go obecnie, a to wydanie jest w rzeczywistości zbudowane wokół ścieżki self-hosted. Gdy zespoły używają hostowanego modelu jako warstwy rozumowania większego pipeline'u — a większość tak robi, ponieważ pętla agentowa wokół modelu naukowego jest zwykle modelem ogólnym — kwestia routingu jest oddzielna od tego ogłoszenia. Jeden klucz do ponad 200 modeli po cenie katalogowej dostawcy z 0% narzutu i automatycznym przełączaniem awaryjnym, gdy upstream ulega degradacji w trakcie działania, to element, który powstrzymuje wielogodzinne zadanie agentowe przed padnięciem w trzeciej godzinie, ponieważ jeden dostawca miał zły dzień.

Co obejrzeć dalej

Pierwszy zewnętrzny wynik LitmusBench v0.2 rozstrzyga więcej niż jakikolwiek pojedynczy benchmark, ponieważ jest to jedyna liczba, którą może wygenerować neutralna strona. Opublikowany cennik NIM zamieniłby porównanie kosztów w arytmetykę, a nie pozycjonowanie. A raport o samej pętli agenta — współczynnik ukończenia, budżet wywołań narzędzi, koszt na ukończone zadanie — jest tym, co zamieniłoby to z obiecującego zestawu w decyzję zakupową.

Do tego czasu najuczciwszym podsumowaniem pozostaje to, które komunikat prasowy przypadkiem pisze sam za siebie: NVIDIA dostarczyła dobry checkpoint w październiku, a w listopadzie dostarczyła to, co czyni ten checkpoint użytecznym. To mniej ekscytujące ogłoszenie, ale za to bardziej wartościowe.

A three-row card listing what the release does not establish: no independent science score despite Artificial Analysis tracking Nemotron 3.5 Super VL at Intelligence Index 14 and 291 tokens per second; no NVIDIA per-token rate card, only a third-party meter at $0.20 and $0.50 per million tokens; and no agent-loop completion rate, tool-call budget or cost per completed task.