Ett titelkort för jämförelsen, med rubriken "Nemotron for Science vs Nemotron 3.5 Super", som anger att dessa inte är två modeller: oktobercheckpointen med 120B totalt och 12B aktiva med 512 routade experter per MoE-lager, vikter på Hugging Face 12 oktober 2026 och tillkännagavs 15 oktober, novemberpaketet den 16 november på SC26 i Chicago, och ungefär 50 000 LitmusBench v0.2-frågor som den enda nya modellartefakten.
Engineering & Research

Nemotron for Science vs Nemotron 3.5 Super: Samma vikter, olika produkt

Författare

jinhao.song

Publiceringsdatum

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

Den här jämförelsen har ett obekvämt faktum i centrum: NVIDIA Nemotron for Science och NVIDIA Nemotron 3.5 Super är inte två modeller. De är samma checkpoint med 120 miljarder parametrar, släppt fem veckor isär, i olika förpackning. Nemotron 3.5 Super är vikterna – arkivet under det mer utförliga namnet Nemotron 3.5 Super VL 120B A12B, uppe på Hugging Face sedan 12 oktober 2026, tillkännagivet den 15 oktober, OpenMDW-1.1, 12 miljarder aktiva parametrar per token, 1M-tokenkontext. Nemotron for Science är vad NVIDIA tillkännagav på SC26 den 16 november: den checkpointen plus LitmusBench v0.2, ungefär 50 000 kemiresonemangsfrågor, plus efterträningsrecept och CUDA-X-verktygsintegration, plus sju namngivna institutionella driftsättningar.

Så den användbara frågan är inte vilken som är bättre. Den är vad novemberpaketet tillför oktobercheckpointen, om tilläggen motiverar ett separat namn, och vad du faktiskt skulle ladda ner i dag om du ville köra kemiagenter på NVIDIA-hårdvara. Det är en mer intressant fråga än en specifikationstabell, och svaret är mer smickrande för NVIDIA än vad en historia om ompaketering vanligtvis är.

Vad är identiskt, och det är det mesta av det

Börja med checkpointen, eftersom allt i båda paketen vilar på den. Arkitekturen ändras inte mellan oktober och november: en hybrid av Mamba-2 och Transformer med mixture of experts, 512 routade experter per MoE-lager, multi-token-prediktionshuvuden, en C-RADIO-vision encoder och en vision-language-konnektor, 120B totala parametrar med 12B aktiva per token, och upp till 1M tokens kontext. Indata är text, RGB-bilder och MP4-video upp till två minuter; utdata är text. Resonemangsinsatsen är konfigurerbar via chattmallen på off, medium eller on.

• Parametrar — 120B totalt, 12B aktiva. Identiska i båda. Det finns ingen Nemotron for Science-checkpoint med ett annat antal parametrar, eftersom det inte finns någon separat Nemotron for Science-checkpoint.

• Licens — OpenMDW-1.1 för kommersiellt och icke-kommersiellt bruk. Identisk, och det är det som över huvud taget gör post-training-pitchen möjlig.

• Kontext — 1 miljon tokens, där kortet rekommenderar video vid 2 FPS upp till 256 bildrutor, eller 1 FPS och 128 bildrutor i 1080p.

• Hårdvarugolv — 4× H100 eller 2× GB200 i BF16; NVFP4-bygget får plats i en enda DGX Spark, en H200, två H100 eller en GB200. DGX Spark-linjen är den som SC26 lutar sig mot, och det är samma linje som oktoberkortet redan innehöll.

• Benchmarks — Samtliga leverantörsrapporterade, alla publicerade med oktoberkortet, inga av dem nya.

Om du redan har hämtat Nemotron 3.5 Super i oktober har du modellen som Nemotron for Science bygger på. Inget i novembertillkännagivandet ändrar dess vikter.

Vad som faktiskt är nytt, och det är inte ingenting

Nu kommer delen som är värd artikeln. Tre saker anlände den 16 november som inte fanns den 15 oktober, och var och en förändrar vad du kan göra från dag ett.

LitmusBench v0.2 är huvudnyheten. Ungefär 50 000 kemiska resonemangsfrågor, byggda från molekylära egenskapsdata och experimentella register från läkemedelsupptäckt, som täcker uppgifter som att förutsäga löslighet och hur kroppen metaboliserar en förening. Två egenskaper gör det mer än en resultattabell: det är öppet och det är utformat för att användas både för efterträning och utvärdering. En 120B-modell med tillåtande licens och inga kemidata att finjustera på är en modell som du måste bygga ett dataset för; en 120B-modell som levereras med 50 000 annoterade kemifrågor är en modell du kan anpassa på en vecka. Det är skillnaden som paketet ger.

Recepten är den andra pusselbiten. NVIDIA har publicerat recept för efterträning för domänanpassning och dokumentation för att bädda in modellen i agentarbetsflöden som läser vetenskaplig information, skriver kod och anropar CUDA-X-accelererade verktyg. För alla som har försökt få en allmän modell att anropa ett molekyldynamikpaket korrekt är dokumentationen om verktygsinkoppling den oglamorösa delen som avgör om loopen överhuvudtaget fungerar.

Driftsättningarna är det tredje, och de är bevis snarare än artefakter. Terray Therapeutics eftertränade modellen på kemidiagram och återfann cirka 76 % av annoterade reaktioner på RxnScribe, vilket överträffade tidigare publicerade resultat på två benchmarks. Lila Sciences nådde 61 % träffsäkerhet för syntes av kvantprickar mot 54 % för GPT-6 Astra till 10–20 gånger lägre inferenskostnad. Therna nästan fördubblade träffsäkerheten i prediktion av proteinuttrycksintervall för mRNA-design, och forskare föredrog dess förklaringar i 96 % av blindade jämförelser. Argonne integrerar det i StructBioReasoner; Jülich i agenter för läkemedelsupptäckt och vetenskaplig upptäckt; RIKEN tillhandahåller det på RIKYU via RiVault-gatewayen. Och KTH byggde en GROMACS-reparationsagent som åtgärdade 81 % av avsiktligt trasiga uppsättningar i en enda nattlig körning på en DGX Spark, verifierat av GROMACS självt.

A two-column scoreboard contrasting the October checkpoint with the November package across what it is, when it was announced, dataset, recipes, evidence and price: the checkpoint is the open 120B model alone with a vendor benchmark table and no rate card, while the November package adds LitmusBench v0.2 at about 50,000 questions, post-training recipes with CUDA-X tool wiring, and seven named partners and institutions.

Varför uppdelningen i två namn är försvarbar

Den cyniska tolkningen är att NVIDIA tillkännagav samma modell två gånger. Jag tror inte att det håller, och anledningen är att de två tillkännagivandena svarar på olika frågor.

Oktobers fråga var "vad är denna checkpoint och kan den driftsättas?" Svaret var en 120B vision-language-MoE med ett fönster på 1M token, ett hårdvarugolv som sträcker sig från en DGX Spark till en GB200-nod, och ett hastighetspåstående — 5× snabbare än näst bästa i sin klass, enligt NVIDIA, även om Artificial Analysis inte listade modellen när påståendet gjordes. Det är en modellansering.

Novembers fråga är "vad gör en kemigrupp med det på måndag?" Svaret är ett dataset, ett recept och sju organisationer som redan har gjort det och rapporterat siffror. Att leverera vikter är inte samma produkt som att leverera ett arbetsflöde, och det är det senare som en forskargrupp faktiskt kan anamma.

Det starkaste beviset för den tolkningen är formen på partnerresultaten. Varenda siffra i rubrikerna kommer från en eftertränad variant, inte från checkpointen i levererat skick. Terray anpassade den på diagram. Lila anpassade den på återkoppling från labbet. Therna anpassade den på mRNA-designdata. Paketet gör inte anspråk på att basmodellen är kemist; det gör anspråk på att basmodellen är en tillräckligt bra utgångspunkt för att ett domänteam ska kunna göra den till en. Det är ett mer anspråkslöst och mer användbart påstående, och det skulle vara märkligt att framföra det i oktober, innan datasetet fanns för att framföra det med.

Vad paketet fortfarande inte ger dig

Tre luckor, i ordning efter hur mycket de skulle kosta dig att upptäcka den hårda vägen.

• Ingen oberoende kemisk utvärdering.Artificial Analysis listar visserligen Nemotron 3.5 Super VL – Intelligence Index 14, 291 token per sekund i utdata, 11,85 s till första svarstoken, $0.20 per miljon indata och $0.50 per miljon utdata med 75 % cacherabatt. Det är ett allmänt betyg från tredje part, och det är värt att känna till. Det är inte ett kemibetyg. Varje vetenskaplig siffra i SC26-utgåvan togs fram av en part med egenintresse i saken, och LitmusBench v0.2 är så pass nytt att ingen utomstående grupp har publicerat något resultat för det.

• Inget leverantörspris. De $0.20/$0.50 ovan är en tredjepartsplattforms mätare, inte ett prisblad från NVIDIA. NVIDIA har inte publicerat någon per-token-prissättning för NIM, vilket innebär att det enda budgeteringsalternativet med en känd kostnad är självhosting.

• Ingen slutförandegrad för agentloopen. KTH-resultatet rapporterar att 81 % av testfallen åtgärdades, vilket är det mest konkreta numret i släppet – men det rapporterar inte hur många verktygsanrop varje åtgärd krävde, hur ofta agentloopen gick i loop utan framsteg, eller vad en slutförd uppgift kostade. Det är siffrorna som avgör om en agent är driftsättningsbar eller bara imponerande.

Hur man kör det, och var den omgivande stacken passar in

Driftsättningsråden är ovanligt tydliga för en utgåva med öppna vikter, så ta dem bokstavligt. Modellkortet anger vLLM med TP4 eller TP2, --trust-remote-code, asynkron schemaläggning, MTP-spekulativ avkodning med fem draft-token och --max-num-seqs 32; eller SGLang med FP8 KV-cache och EAGLE-spekulativ avkodning i fem steg. Samplingen är temperature 1,0 med top_p 0,95 för text och 0,6 med 0,95 för vision, och servernamnet i exemplen är nemotron-3.5-super-vl. Multimodala gränser är en bild och en video per prompt. Det är en konfiguration du kan kopiera i stället för att härleda.

Nemotron 3.5 Super VL finns inte i vår katalog – vi tillhandahåller det inte, så den självhostade vägen är den verkliga, och det är rimligt att en artikel om en öppen checkpoint säger det. Där vår del av stacken kommer in är runt vetenskapsmodellen snarare än i den. En forskningsagent är en planerare som är inlindad kring en domänspecifik checkpoint: den delar upp en uppgift, anropar kemimodellen, anropar en simulering, läser resultatet och bestämmer vad som ska göras härnäst. Planeraren är vanligtvis en allmän modell, och det är det lager där en nyckel för fler än 200 modeller till leverantörens listpris med 0 % påslag sparar integrationsarbetet – med automatisk failover, så att en sex timmar lång nattkörning inte misslyckas vid timme fem för att en leverantör har försämrats. Modellfusion är den andra hävstången som är värd att känna till här: en panel av modeller som tillsammans svarar på samma kemifråga är ett rimligt sätt att triagera vilka protokoll som är värda att köra på riktig hårdvara.

A five-row deployment card titled 'How to run Nemotron 3.5 Super VL', giving the vLLM configuration with TP4 or TP2 and MTP speculative decoding at five draft tokens, the SGLang configuration with FP8 KV cache and EAGLE at five steps, sampling temperatures of 1.0 and 0.6 with top_p 0.95, the one-image and one-video per-prompt limit, and the hardware floor of 4x H100 or 2x GB200 at BF16 or a single DGX Spark on the NVFP4 build.

Vad du ska titta på

Ett första externt LitmusBench v0.2-resultat är det enskilt mest användbara som skulle kunna dyka upp, eftersom det är det enda talet i den här berättelsen som en neutral part kan generera. Ett NIM-prisblad skulle göra jämförelsen mellan hostat och självhostat till aritmetik i stället för gissningar. Och en agent-loop-rapport – slutförandegrad, budget för verktygsanrop, kostnad per slutförd uppgift – skulle förvandla KTH- och Lila-resultaten från uppmuntrande anekdoter till något som en grupp kan planera utifrån.

Fram till dess, kortversionen: om du hämtade Nemotron 3.5 Super i oktober ersätter Nemotron for Science den inte, utan utökar den med de data och recept som gör den till ett kemiverktyg. Om du inte gjorde det är novemberpaketet den bättre ingången, eftersom det är samma vikter med ett startpaket bifogat.

A screenshot of the Hugging Face model card for nvidia/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16, showing the repository name, the model card header and the opening sections of the documentation.