
Nemotron para Ciência vs Nemotron 3.5 Super: os mesmos pesos, um produto diferente
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 179 tok/s
Esta comparação tem um fato incômodo no seu centro: NVIDIA Nemotron for Science e NVIDIA Nemotron 3.5 Super não são dois modelos. São o mesmo checkpoint de 120 bilhões de parâmetros, lançado com cinco semanas de diferença, com embalagens diferentes. O Nemotron 3.5 Super são os pesos — o repositório sob o nome mais completo Nemotron 3.5 Super VL 120B A12B, disponível no Hugging Face desde 12 de outubro de 2026, anunciado em 15 de outubro, OpenMDW-1.1, 12 bilhões de parâmetros ativos por token, contexto de 1M tokens. O Nemotron for Science é o que a NVIDIA anunciou na SC26 em 16 de novembro: esse checkpoint mais o LitmusBench v0.2, cerca de 50.000 perguntas de raciocínio em química, mais receitas de pós-treinamento e integração de ferramentas CUDA-X, mais sete implantações institucionais nomeadas.
Então a pergunta útil não é qual dos dois é melhor. É o que o pacote de novembro acrescenta ao checkpoint de outubro, se os acréscimos justificam um nome separado e o que você realmente baixaria hoje se quisesse executar agentes de química em silício da NVIDIA. Essa é uma pergunta mais interessante do que uma tabela de especificações, e a resposta é mais lisonjeira para a NVIDIA do que uma história de reempacotamento costuma ser.
O que é idêntico, e é a maior parte disso
Comece pelo checkpoint, porque tudo nos dois pacotes depende dele. A arquitetura não muda entre outubro e novembro: uma mistura de especialistas híbrida de Mamba-2 e Transformer, 512 especialistas roteados por camada MoE, cabeças de predição de múltiplos tokens, um codificador de visão C-RADIO e um conector visão-linguagem, 120B parâmetros totais com 12B ativos por token e até 1M tokens de contexto. As entradas são texto, imagens RGB e vídeo MP4 de até dois minutos; a saída é texto. O esforço de raciocínio é configurável por meio do template de chat em desativado, médio ou ativado.
• Parâmetros — 120B no total, 12B ativos. Idêntico em ambos. Não há checkpoint do Nemotron for Science com uma contagem de parâmetros diferente, porque não existe um checkpoint separado do Nemotron for Science.
• Licença — OpenMDW-1.1 para uso comercial e não comercial. Idêntica, e é o que torna a proposta de pós-treinamento possível de todo.
• Contexto — 1 milhão de tokens, com a placa recomendando vídeo a 2 FPS com até 256 quadros, ou 1 FPS e 128 quadros em 1080p.
• Requisitos mínimos de hardware — 4× H100 ou 2× GB200 em BF16; a build NVFP4 cabe numa única DGX Spark, num H200, em dois H100 ou num GB200. A linha DGX Spark é aquela em que o SC26 se apoia, e é a mesma linha que o cartão de outubro já trazia.
• 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, CharXiv reasoning 80,82. Todos informados pelo fornecedor, todos publicados com o cartão de outubro, nenhum deles novo.
Se você já baixou o Nemotron 3.5 Super em outubro, então você tem o modelo no qual o Nemotron for Science é baseado. Nada no anúncio de novembro altera seus pesos.
O que é realmente novo, e não é pouca coisa.
Agora, a parte que vale o artigo. Três coisas surgiram a 16 de novembro que não existiam a 15 de outubro, e cada uma altera o que pode fazer no primeiro dia.
LitmusBench v0.2 é o destaque. Cerca de 50.000 perguntas de raciocínio químico, construídas a partir de dados de propriedades moleculares e registros experimentais de descoberta de fármacos, cobrindo tarefas como prever a solubilidade e como o corpo metaboliza um composto. Duas propriedades fazem dele mais do que um ranking: é aberto e foi concebido para ser usado tanto no pós-treinamento quanto na avaliação. Um modelo de 120B com licença permissiva e sem dados de química para ajuste fino é um modelo para o qual você precisa construir um conjunto de dados; um modelo de 120B que vem com 50.000 perguntas de química anotadas é um modelo que você pode adaptar em uma semana. Essa é a diferença que o pacote proporciona.
As receitas são a segunda parte.A NVIDIA publicou receitas de pós-treinamento para adaptação de domínio e documentação para incorporar o modelo em fluxos de trabalho de agentes que leem informações científicas, escrevem código e invocam ferramentas aceleradas pela CUDA-X. Para quem já tentou fazer um modelo generalista chamar corretamente um pacote de dinâmica molecular, a documentação de integração de ferramentas é a parte pouco glamourosa que determina se o loop funciona minimamente.
As implantações são a terceira, e são evidências, e não artefatos. A Terray Therapeutics fez o pós-treinamento do modelo com diagramas de química e recuperou cerca de 76% das reações anotadas no RxnScribe, superando resultados publicados anteriormente em dois benchmarks. A Lila Sciences alcançou 61% de precisão na síntese de pontos quânticos, contra 54% do GPT-6 Astra, com custo de inferência 10–20× menor. A Therna quase dobrou a precisão de predição da faixa de expressão proteica para design de mRNA, com cientistas preferindo suas explicações em 96% das comparações cegas. A Argonne está integrando-o ao StructBioReasoner; a Jülich está integrando-o em agentes de descoberta de fármacos e de ciência; a RIKEN está disponibilizando-o no RIKYU por meio do gateway RiVault. E a KTH construiu um agente de reparo do GROMACS que corrigiu 81% das configurações deliberadamente quebradas em uma execução noturna em um único DGX Spark, verificado pelo próprio GROMACS.

Por que a divisão em dois nomes é defensável
A leitura cínica é que a NVIDIA anunciou o mesmo modelo duas vezes. Não acho que isso se sustente, e o motivo é que os dois anúncios respondem a perguntas diferentes.
A pergunta de outubro era “o que é este checkpoint e ele pode ser implantado?”. A resposta era um MoE de visão-linguagem de 120B com uma janela de 1M de tokens, um piso de hardware que vai de um DGX Spark a um nó GB200, e uma alegação de velocidade — 5× mais rápido que o próximo melhor da sua classe, segundo a NVIDIA, embora a Artificial Analysis não listasse o modelo no momento em que a alegação foi feita. Isso é o lançamento de um modelo.
A pergunta de novembro é "o que um grupo de química faz com isso na segunda-feira?" Essa resposta é um conjunto de dados, uma receita e sete organizações que já fizeram isso e relataram números. Entregar pesos não é o mesmo produto que entregar um fluxo de trabalho, e o segundo é o que um grupo de pesquisa pode realmente adotar.
A evidência mais forte para essa leitura é o formato dos resultados dos parceiros. Cada número de destaque vem de uma variante pós-treinada, não do checkpoint como distribuído. A Terray o adaptou em diagramas. A Lila o adaptou com feedback de laboratório. A Therna o adaptou com dados de design de mRNA. O pacote não está afirmando que o modelo base é um químico; está afirmando que o modelo base é um ponto de partida suficientemente bom para que uma equipe de domínio possa torná-lo um. Essa é uma afirmação mais modesta e mais útil, e seria estranho fazê-la em outubro, antes de o conjunto de dados existir para fazê-la com ele.
O que o pacote ainda não oferece a você
Três lacunas, em ordem de quanto custaria a você descobri-las do jeito difícil.
• Nenhuma avaliação independente de química.O Artificial Analysis lista o Nemotron 3.5 Super VL — Índice de Inteligência 14, 291 tokens por segundo de saída, 11,85s até o primeiro token de resposta, US$ 0,20 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída com 75% de desconto de cache. Trata-se de uma pontuação geral de terceiros, e vale a pena conhecê-la. Não é uma pontuação de química. Todos os números científicos do lançamento do SC26 foram produzidos por uma parte interessada, e o LitmusBench v0.2 é recente o suficiente para que nenhum grupo externo tenha publicado um resultado sobre ele.
• Sem preço de fornecedor. Os US$ 0,20/US$ 0,50 acima são a tarifa de medição de uma plataforma de terceiros, não uma tabela de preços da NVIDIA. A NVIDIA não publicou nenhum preço por token do NIM, o que significa que o único caminho de orçamento com custo conhecido é a auto-hospedagem.
• Sem taxa de conclusão para o loop do agente. O resultado do KTH relata 81% dos casos de teste corrigidos, que é o número mais concreto no lançamento — mas não informa quantas chamadas de ferramentas cada correção exigiu, com que frequência o loop do agente girou sem progresso, ou quanto custou uma tarefa concluída. Esses são os números que determinam se um agente é implantável ou apenas impressionante.
Como executá-lo e onde a stack circundante se encaixa
As recomendações de implantação são excepcionalmente claras para um lançamento de pesos abertos, então siga-as ao pé da letra. O card especifica vLLM com TP4 ou TP2, --trust-remote-code, agendamento assíncrono, decodificação especulativa MTP com cinco tokens de rascunho e --max-num-seqs 32; ou SGLang com cache KV FP8 e decodificação especulativa EAGLE em cinco etapas. A amostragem usa temperatura 1,0 com top_p 0,95 para texto e 0,6 com 0,95 para visão, e o nome do servidor nos exemplos é nemotron-3.5-super-vl. Os limites multimodais são uma imagem e um vídeo por prompt. Essa é uma configuração que você pode copiar em vez de deduzir.
O Nemotron 3.5 Super VL não está no nosso catálogo — não o servimos, então o caminho auto-hospedado é o real, e isso é justo de se dizer em um artigo sobre um checkpoint aberto. Onde o nosso lado da stack entra é em torno do modelo científico, e não dentro dele. Um agente de pesquisa é um planejador envolvendo um checkpoint de domínio: ele decompõe uma tarefa, chama o modelo de química, chama uma simulação, lê o resultado e decide o que fazer a seguir. O planejador geralmente é um modelo geral, e é essa a camada em que uma única chave para mais de 200 modelos ao preço de tabela do provedor com 0% de markup economiza o trabalho de integração — com failover automático, para que uma execução noturna de seis horas não falhe na quinta hora porque um provedor apresentou degradação. Fusão de modelos é a outra alavanca que vale a pena conhecer aqui: um painel de modelos respondendo juntos à mesma pergunta de química é uma forma razoável de triar quais protocolos vale a pena executar em hardware real.

O que assistir
Uma primeira pontuação externa do LitmusBench v0.2 é a coisa mais útil que poderia surgir, porque é o único número desta história que uma parte neutra pode gerar. Uma tabela de tarifas do NIM tornaria a comparação entre hospedado e auto-hospedado uma questão de aritmética, em vez de suposição. E um relatório do loop do agente — taxa de conclusão, orçamento de chamadas de ferramentas, custo por tarefa concluída — converteria os resultados do KTH e do Lila de anedotas encorajadoras em algo com que um grupo possa planejar.
Até lá, a versão resumida: se você baixou o Nemotron 3.5 Super em outubro, o Nemotron for Science não o substitui, ele o estende com os dados e receitas que o transformam em uma ferramenta de química. Se não baixou, o pacote de novembro é o melhor ponto de entrada, porque são os mesmos pesos com um kit inicial anexado.

