Ett titelkort för NVIDIA Nemotron for Science med rubriken ”vad som lanserats och vad det bevisar”, med fyra statistikuppgifter: cirka 50 000 kemifrågor i LitmusBench v0.2, 120B parametrar totalt och 12B aktiva, 81 % av GROMACS-konfigurationerna reparerade av en KTH-agent i en enda nattlig körning med DGX Spark, och ett kontextfönster på 1M token.
Engineering & Research

Inuti NVIDIA Nemotron for Science: Vad SC26:s Open Chemistry Stack faktiskt levererar

Författare

Gideon Frost

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Åttioen procent är talet värt att börja med, och det är inte ett benchmarkresultat. Det är andelen avsiktligt trasiga GROMACS-molekyldynamikuppsättningar som en agent byggd på NVIDIA Nemotron for Science reparerade i en enda körning över natten på en DGX Spark-arbetsstation, enligt KTH Royal Institute of Technology – där varje korrigering kontrollerades av GROMACS självt i stället för av en modell som rättade sin egen läxa. NVIDIA tillkännagav samlingen den 16 november 2026 på SC26 i Chicago, genom Ian Buck, dess vicepresident för hyperscale och högpresterande databehandling. Det är tre artefakter i ett paket: den öppna Nemotron 3.5 Super VL-checkpointen, ett öppet kemidataset som heter LitmusBench v0.2 med cirka 50 000 frågor, och en uppsättning efterträningsrecept som kopplar modellen till CUDA-X-accelererade vetenskapliga verktyg.

Den kombinationen är det intressanta, och det är inte den delen som rubriken säljer. Att en leverantör släpper ännu en öppen checkpoint är rutin i slutet av 2026; NVIDIA släppte den här i oktober. Det nya den 16 november är ramverket runt den – utvärderingssetet, recepten och en uppsättning namngivna institutionella driftsättningar som beskriver vad som händer när man riktar modellen mot ett verkligt vetenskapligt arbetsflöde i stället för en resultattavla. Den här artikeln går igenom vad som faktiskt ingår i samlingen, vad partnerns siffror etablerar och inte etablerar, och var luckorna finns för den som planerar att bygga vidare på den.

De tre artefakterna, separerade

NVIDIAs pressmeddelande och det åtföljande X-inlägget beskriver ett enda paket. Att dela upp det i dess beståndsdelar spelar roll, eftersom varje del har en annan licensieringsstatus, en annan mognadsgrad och en annan anledning att bry sig om den.

• Checkpointen — Nemotron 3.5 Super VL, en 120 miljarder parametrar stor blandning av experter med 12 miljarder aktiva per token, en hybrid av Mamba-2 och Transformer med 512 routade experter per MoE-lager, en C-RADIO-visionkodare och upp till 1M tokens kontext. Text, bilder och 2-minuters MP4-video in; text ut. OpenMDW-1.1, kommersiell och icke-kommersiell användning, vikter på Hugging Face. Detta är inte nytt den 16 november — förvaret lades upp den 12 oktober och NVIDIAs eget tillkännagivande följde den 15 oktober.

• Datasetet — LitmusBench v0.2, en öppen uppsättning på ungefär 50 000 frågor om kemiskt resonemang hämtade från data om molekylegenskaper och experimentella register från läkemedelsupptäckt. Det är byggt för de två uppgifterna som ett vetenskapligt benchmark vanligtvis måste dela upp mellan två filer: det utvärderar kemiskt resonemang och kan användas som data för efterträning. Löslighetsprediktion och metaboliskt öde är de två uppgiftsfamiljer som NVIDIA uttryckligen namnger.

• Recepten och verktygen – efterträningsrecept för domänanpassning, plus kopplingarna som låter en agent anropa CUDA-X-accelererad vetenskaplig programvara som verktyg. Det här är delen som förvandlar en chattmodell till något som kan köra en simulering, läsa utdata och avgöra vad den ska göra härnäst.

Checkpointen är den minst nyskapande av de tre och datamängden är den mest beständiga. Benchmarksviter åldras; en kemifrågesamling med 50 000 frågor och en tillåtande licens är sådant som fortfarande citeras om tre år, och det är den del av detta släpp som NVIDIA lade mest resurser på att ge bort.

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.

Vad partnerresultaten faktiskt visar

I tillkännagivandet namnges sju organisationer, och siffrorna som kopplas till dem är det närmaste bevis som utskicket kommer. Allt är leverantörsrapporterat och inget av det har återproducerats oberoende – förbehållet gäller varje siffra i det här avsnittet, och det är anledningen till att läsa dem som fallstudier snarare än som poäng.

Terray Therapeutics vidaretränade modellen på kemidiagram – de reaktionsscheman som ritas i patent och artiklar – för att extrahera reaktanter, produkter och reaktionsbetingelser. På RxnScribe återfann den omkring 76 % av de annoterade reaktionerna och överträffade tidigare publicerade resultat på två benchmarktester. Diagramextraktion är oglamoröst, och det är där en stor del av det verkliga kemilaboratoriearbetet faktiskt utförs, så en återvinningsgrad på 76 % på ett namngivet benchmark är ett mer användbart påstående än en resonemangspoäng.

Lila Sciences är siffran som uttalandet lutar sig mot. Basmodellen genererade körklara laboratorieprotokoll för automatiserade labb och matchade prestanda i absolut framkant helt utan finjustering. Med efterträning baserad på labbåterkoppling nådde noggrannheten i kvantpricksyntes 61 % mot 54 % för GPT-6 Astra, till 10–20 gånger lägre inferenskostnad. Två saker är värda att lyfta. Gapet på sju procentenheter är verkligt om protokollet är det, och kostnadsmultipeln är den mer betydelsefulla siffran – en inferensbesparing på 10–20 gånger förändrar vilka experiment som över huvud taget är värda att köra. Men detta är en jämförelse utförd av den part som gjorde efterträningen, på en uppgift de valde, mot en konkurrent de namngav.

Therna eftertränades för agentisk design av mRNA-terapeutika och nästan fördubblade noggrannheten i förutsägelser av proteinuttrycksintervall. I en blindad jämförelse föredrog forskare dess förklaringar framför basmodellens i 96 % av fallen. Preferens är inte noggrannhet, och en preferensfrekvens på 96 % säger något om hur resonemanget framstår, inte om huruvida det är korrekt.

Sedan är det de institutionella driftsättningarna, som är den del jag finner mest övertygande, just för att de inte framställs som segrar. Argonne National Laboratory integrerar Nemotron i StructBioReasoner, ett multiagentsystem för att designa proteinbaserade cancerterapier. Jülich Supercomputing Centre integrerar det i agenter för läkemedelsupptäckt och vetenskaplig upptäckt. RIKEN tillhandahåller modellerna, inklusive Super VL, på sin superdatorplattform RIKYU via inferensgatewayen RiVault – en verklig produktionsväg, på verklig hårdvara, för verkliga användare. Och KTH byggde GROMACS-reparationsagenten som ligger bakom den där siffran på 81 %, på en enda DGX Spark, över en natt.

KTH-resultatet förtjänar en egen mening på grund av sin form. En felaktig molekyldynamikuppsättning är ett vardagligt högvolymfel: ett felaktigt kraftfält, en topologi som inte matchar koordinatfilen, en saknad include. Att åtgärda 81 % av dem är inte ett resonemangsbenchmark. Det är modellen som utför den typ av arbete som en beräkningskemigrupp för närvarande tilldelar en doktorand, och det verifieras av simuleringsmotorn snarare än av modellen, vilket gör det till det tydligaste beviset i släppet.

Varför det här är en efterträningshistoria i en modells kläder

Läs pressmeddelandet igen och lägg märke till vad NVIDIA faktiskt ber dig göra. Varje enskilt partnerresultat bygger på anpassning: Terray eftertränades på diagram, Lila eftertränades på labbåterkoppling, Therna eftertränades på mRNA-design. Inte ett enda av rubriksiffrorna kommer från checkpointen i dess levererade skick. Det är avsiktligt, och det är det ärligaste med tillkännagivandet.

Argumentet är att basmodellerna nu är tillräckligt bra för att det som skiljer är efterträningsloopen, inte förträningskörningen. NVIDIA säljer loopen: en permissivt licensierad 120B-checkpoint som du kan finjustera utan juridisk granskning, ett kemidataset att finjustera på och recept som beskriver hur man gör. Det är en genuint annorlunda pitch än "vår modell är smartare", och det är en pitch som bara fungerar om vikterna är öppna – vilket är precis därför licensen spelar större roll än benchmark-tabellen.

Det förklarar också hårdvarulinjen. NVIDIA säger att modellen är optimerad för att köras lokalt på en 128 GB DGX Spark, och BF16-bygget kräver 4× H100 eller 2× GB200 medan NVFP4-bygget får plats på en enda DGX Spark, en H200, två H100:or eller en GB200. En efterträningsloop är en iterativ arbetsbelastning med hög volym och låg latens, och skillnaden mellan "hyra en nod" och "det står en låda på bänken" är skillnaden mellan en loop du kör två gånger i kvartalet och en du kör två gånger om dagen.

Luckorna, sagt rakt ut

Tre saker saknas i releasen, och var och en skulle förändra hur du planerar.

• Ingen oberoende utvärdering av vetenskapspåståendena. Artificial Analysis spårar visserligen Nemotron 3.5 Super VL – det anger ett Intelligence Index på 14, utdata på 291 tokens per sekund, 11,85 sekunder till första svars-token och ett angivet pris på 0,20 USD per miljon indata och 0,50 USD per miljon utdata med 75 % cacherabatt. Det är användbart och det är tredjepart. Inget av det är ett kemibenchmark. Varje vetenskapssiffra i SC26-lanseringen kommer från en part som har intresse i resultatet, och LitmusBench v0.2 är tillräckligt nytt för att ingen extern grupp ännu har publicerat en poäng på det.

• Inget publicerat pris för modellen som tjänst. De AA-listade $0.20/$0.50 är en tredjepartsplattforms mätare, inte ett NVIDIA-priskort — NVIDIA har inte publicerat någon siffra per token för NIM. Om du budgeterar är det ärliga svaret idag att självhosting är den enda vägen med en känd kostnad.

• Ingen utvärdering av agentloopen, endast av komponenterna. Recepten beskriver en agent som planerar, kör simuleringar, kontrollerar resultat och justerar. Ingen i utgåvan redovisar hur ofta den loopen slutförs utan en människa, hur många verktygsanrop den förbrukar eller vad den kostar per slutförd uppgift. Det är siffrorna som avgör om en agent är en produkt eller en demo, och de saknas.

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.

Vad detta innebär om du bygger

Den praktiska tolkningen är att Nemotron for Science inte är en modell man inför; det är ett startpaket. Om din grupp arbetar med kemi eller strukturbiologi och ni har GPU-kapacitet är kombinationen av en 120B-checkpoint med tillåtande licens, 50 000 kemifrågor och en uppsättning publicerade recept ett genuint bra paket för första veckan – och KTH-resultatet tyder på att loopen för verktygsanrop fungerar tillräckligt bra för att vara användbar vid vardagliga fel.

Det är inte en direkt ersättning för ett hostat API. Nemotron 3.5 Super VL finns inte i vår katalog; vi tillhandahåller det inte i dag, och det är den självhostade vägen som den här utgåvan faktiskt är byggd kring. När team kör en hostad modell som resonemangslager i en större pipeline – och de flesta gör det, eftersom agentloopen kring vetenskapsmodellen vanligtvis är en allmän modell – är routningsfrågan separat från detta tillkännagivande. En och samma nyckel för fler än 200 modeller till leverantörens listpris med 0 % påslag, och automatisk redundansväxling när en uppströmsleverantör försämras under körning, är den del som hindrar ett agentjobb på flera timmar från att dö i timme tre eftersom en leverantör hade en dålig eftermiddag.

Vad du ska titta på härnäst

Ett första externt LitmusBench v0.2-resultat avgör mer än vad något enskilt benchmark skulle göra, eftersom det är den enda siffran här som en neutral part kan ta fram. En publicerad prislista för NIM skulle göra kostnadsjämförelsen till aritmetik i stället för positionering. Och en rapport om själva agentloopen – slutförandegrad, budget för verktygsanrop, kostnad per slutförd uppgift – är det som skulle förvandla detta från ett lovande paket till ett inköpsbeslut.

Fram till dess är den rättvisaste sammanfattningen den som släppet oavsiktligt skriver åt sig självt: NVIDIA släppte en bra checkpoint i oktober, och i november släppte de det som gör checkpointen användbar. Det är ett mindre spännande tillkännagivande och ett mer värdefullt.

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.