
เจาะลึก NVIDIA Nemotron for Science: Open Chemistry Stack ของ SC26 ส่งมอบอะไรจริง ๆ
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0711 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 179 tok/s
แปดสิบเอ็ดเปอร์เซ็นต์คือตัวเลขที่ควรเริ่มต้นด้วย และมันไม่ใช่คะแนนจากการทดสอบมาตรฐาน มันคือสัดส่วนของชุดการตั้งค่าพลศาสตร์โมเลกุล GROMACS ที่ถูกทำให้พังโดยเจตนา ซึ่งเอเจนต์ที่สร้างขึ้นบน NVIDIA Nemotron for Science ซ่อมแซมได้ในการรันข้ามคืนครั้งเดียวบนเวิร์กสเตชัน DGX Spark หนึ่งเครื่อง ตามข้อมูลจาก KTH Royal Institute of Technology — โดยทุกการแก้ไขได้รับการตรวจสอบโดย GROMACS เอง แทนที่จะเป็นโมเดลที่ตรวจให้คะแนนงานของตัวเอง NVIDIA ประกาศคอลเลกชันนี้เมื่อวันที่ 16 พฤศจิกายน 2026 ที่ SC26 ในชิคาโก ผ่าน Ian Buck รองประธานฝ่าย Hyperscale and High-Performance Computing ของ NVIDIA เป็นสามอาร์ติแฟกต์ในกล่องเดียว: เช็กพอยต์ Nemotron 3.5 Super VL แบบเปิด ชุดข้อมูลเคมีแบบเปิดชื่อ LitmusBench v0.2 ที่มีคำถามราว 50,000 ข้อ และชุดสูตรการปรับแต่งหลังการฝึกที่เชื่อมโมเดลเข้ากับเครื่องมือวิทยาศาสตร์ที่เร่งด้วย CUDA-X
การผสมผสานนั้นคือส่วนที่น่าสนใจ และไม่ใช่ส่วนที่พาดหัวขาย การที่ผู้ขายรายหนึ่งปล่อยเช็กพอยต์แบบเปิดอีกตัวถือเป็นเรื่องปกติภายในปลายปี 2026 NVIDIA ปล่อยตัวนี้ในเดือนตุลาคม สิ่งใหม่ในวันที่ 16 พฤศจิกายน คือโครงสร้างแวดล้อมรอบ ๆ มัน ได้แก่ ชุดประเมิน สูตรและแนวทาง ตลอดจนชุดการติดตั้งใช้งานในสถาบันที่ระบุชื่อ ซึ่งอธิบายว่าเกิดอะไรขึ้นเมื่อคุณนำโมเดลไปใช้กับกระบวนการทำงานทางวิทยาศาสตร์จริงแทนที่จะเป็นกระดานจัดอันดับ บทความนี้จะไล่ดูว่าจริง ๆ แล้วมีอะไรอยู่ในคอลเล็กชัน ตัวเลขจากพันธมิตรบ่งชี้และไม่ได้บ่งชี้อะไร และมีช่องว่างตรงไหนสำหรับใครก็ตามที่วางแผนจะต่อยอดจากสิ่งนี้
อาร์ติแฟกต์ทั้งสาม แยกออกจากกัน
ข่าวประชาสัมพันธ์ของ NVIDIA และโพสต์ X ที่มาคู่กันอธิบายถึงแพ็กเกจเดียว การแยกส่วนประกอบออกจากกันเป็นเรื่องสำคัญ เพราะแต่ละส่วนมีจุดยืนด้านสัญญาอนุญาตที่ต่างกัน มีระดับความพร้อมที่ต่างกัน และมีเหตุผลที่ต้องให้ความสนใจต่างกัน
• เช็กพอยต์ — Nemotron 3.5 Super VL โมเดล mixture of experts ขนาด 1.2 แสนล้านพารามิเตอร์ ที่มีพารามิเตอร์ทำงาน 1.2 หมื่นล้านต่อโทเคน เป็นไฮบริดระหว่าง Mamba-2 กับ Transformer ที่มีผู้เชี่ยวชาญแบบ routed จำนวน 512 รายต่อเลเยอร์ MoE ใช้ตัวเข้ารหัสภาพ C-RADIO และรองรับบริบทสูงสุด 1 ล้านโทเคน อินพุตเป็นข้อความ รูปภาพ และวิดีโอ MP4 ความยาว 2 นาที เอาต์พุตเป็นข้อความ ภายใต้ OpenMDW-1.1 ใช้ได้ทั้งเชิงพาณิชย์และไม่เชิงพาณิชย์ โดยมีน้ำหนักโมเดลอยู่บน Hugging Face นี่ไม่ใช่ของใหม่ ณ วันที่ 16 พฤศจิกายน — รีโพซิทอรีถูกอัปโหลดเมื่อวันที่ 12 ตุลาคม และประกาศของ NVIDIA เองตามมาในวันที่ 15 ตุลาคม
• ชุดข้อมูล — LitmusBench v0.2 ชุดข้อมูลเปิดที่มีคำถามด้านการให้เหตุผลทางเคมีประมาณ 50,000 ข้อ ซึ่งดึงมาจากข้อมูลคุณสมบัติของโมเลกุลและบันทึกการค้นพบยาเชิงทดลอง โดยถูกสร้างขึ้นสำหรับงานสองประเภทที่เกณฑ์มาตรฐานทางวิทยาศาสตร์มักต้องแยกไว้ในสองไฟล์: ใช้ประเมินการให้เหตุผลทางเคมี และสามารถใช้เป็นข้อมูลหลังการฝึกได้ การทำนายความสามารถในการละลายและชะตากรรมทางเมตาบอลิซึมเป็นสองกลุ่มงานที่ NVIDIA ระบุไว้อย่างชัดเจน
• สูตรอาหารและเครื่องมือ — สูตรสำหรับการปรับแต่งโดเมนหลังการฝึก (post-training) พร้อมระบบเชื่อมต่อที่ช่วยให้เอเจนต์เรียกใช้ซอฟต์แวร์วิทยาศาสตร์ที่เร่งความเร็วด้วย CUDA-X เป็นเครื่องมือได้ นี่คือส่วนที่เปลี่ยนโมเดลแชตให้กลายเป็นสิ่งที่สามารถรันการจำลอง อ่านผลลัพธ์ และตัดสินใจว่าขั้นตอนต่อไปควรทำอะไร
เช็กพอยต์เป็นสิ่งที่มีความใหม่น้อยที่สุดในสามอย่าง และชุดข้อมูลเป็นสิ่งที่คงทนที่สุด ชุดทดสอบเบนช์มาร์กจะล้าสมัยไปตามกาลเวลา ชุดคำถามเคมี 50,000 ข้อที่มีสัญญาอนุญาตแบบผ่อนปรนเป็นสิ่งที่ยังคงถูกอ้างอิงถึงในอีกสามปี และเป็นส่วนหนึ่งของการเปิดตัวครั้งนี้ที่ NVIDIA ทุ่มเงินมากที่สุดเพื่อแจกให้ฟรี

สิ่งที่ผลลัพธ์จากพันธมิตรแสดงให้เห็นจริง ๆ
มีการระบุชื่อองค์กรเจ็ดแห่งในประกาศ และตัวเลขที่แนบมากับองค์กรเหล่านั้นถือเป็นสิ่งที่ใกล้เคียงหลักฐานมากที่สุดในเอกสารเผยแพร่นี้ ข้อมูลทั้งหมดเป็นการรายงานโดยผู้ขาย และไม่มีข้อมูลใดได้รับการทำซ้ำอย่างเป็นอิสระ — ข้อควรระวังนี้ใช้กับทุกตัวเลขในส่วนนี้ และเป็นเหตุผลที่ควรอ่านตัวเลขเหล่านี้ในฐานะกรณีศึกษา มากกว่าจะเป็นคะแนน
Terray Therapeuticsได้ทำ post-training โมเดลด้วยแผนภาพเคมี — สคีมปฏิกิริยาที่วาดไว้ในสิทธิบัตรและบทความวิจัย — เพื่อสกัดสารตั้งต้น ผลิตภัณฑ์ และสภาวะปฏิกิริยา บน RxnScribe โมเดลสามารถกู้คืนปฏิกิริยาที่มีคำกำกับได้ประมาณ 76% และเอาชนะผลลัพธ์ที่เคยเผยแพร่ก่อนหน้าในสองเบนช์มาร์ก การสกัดแผนภาพเป็นงานที่ดูไม่หรูหรา และเป็นจุดที่แรงงานเคมีจริงจำนวนมากเกิดขึ้นจริง ดังนั้นอัตราการกู้คืน 76% บนเบนช์มาร์กที่ระบุชื่อจึงเป็นข้อกล่าวอ้างที่มีประโยชน์มากกว่าคะแนนการให้เหตุผล
Lila Sciencesคือตัวเลขที่เอกสารประชาสัมพันธ์ฉบับนี้ใช้เป็นจุดยืน ในการสร้างโพรโทคอลห้องปฏิบัติการที่พร้อมนำไปใช้จริงสำหรับแล็บอัตโนมัติ โมเดลฐานทำได้เทียบเท่าระดับแนวหน้าโดยไม่ต้องปรับแต่งเพิ่มเลย เมื่อผ่านการฝึกหลังการอบรมด้วยฟีดแบ็กจากห้องแล็บ ความแม่นยำในการสังเคราะห์ควอนตัมดอทอยู่ที่ 61% เทียบกับ 54% ของ GPT-6 Astra โดยมีต้นทุนการอนุมานต่ำกว่า 10–20 เท่า มีสองสิ่งที่ควรตั้งข้อสังเกต ช่องว่าง 7 จุดเป็นของจริงหากโพรโทคอลเป็นของจริง และตัวคูณต้นทุนคือตัวเลขที่มีนัยสำคัญกว่า — การประหยัดค่าอนุมาน 10–20 เท่าเปลี่ยนว่าการทดลองใดคุ้มค่าที่จะทำตั้งแต่แรก แต่่นี่คือการเปรียบเทียบที่ดำเนินการโดยฝ่ายที่ทำการฝึกหลังการอบรมเอง บนงานที่พวกเขาเลือกเอง และกับคู่แข่งที่พวกเขาเอ่ยชื่อเอง
Thernaได้รับการฝึกเพิ่มเติมสำหรับการออกแบบยารักษาโรคจาก mRNA ในลักษณะ agentic และเพิ่มความแม่นยำในการทำนายช่วงการแสดงออกของโปรตีนได้เกือบสองเท่า ในการเปรียบเทียบแบบปกปิด (blinded) นักวิทยาศาสตร์ชอบคำอธิบายของโมเดลนี้มากกว่าของโมเดลฐานใน 96% ของกรณี ความชอบไม่ใช่ความแม่นยำ และอัตราความชอบ 96% เป็นการบอกว่าการให้เหตุผลนั้นอ่านแล้วเป็นอย่างไร ไม่ใช่บอกว่ามันถูกต้องหรือไม่
จากนั้นก็คือการนำไปใช้งานในสถาบันต่าง ๆ ซึ่งเป็นส่วนที่ผมเห็นว่าน่าเชื่อถือที่สุด เพราะมันไม่ได้ถูกนำเสนอว่าเป็นชัยชนะ Argonne National Laboratoryกำลังนำ Nemotron ไปผสานเข้ากับ StructBioReasoner ซึ่งเป็นระบบหลายเอเจนต์สำหรับออกแบบยารักษามะเร็งที่อิงโปรตีน Jülich Supercomputing Centreกำลังบูรณาการเข้ากับเอเจนต์ด้านการค้นพบยาและการค้นพบทางวิทยาศาสตร์ RIKENให้บริการโมเดลต่าง ๆ รวมถึง Super VL บนแพลตฟอร์มซูเปอร์คอมพิวติ้ง RIKYU ผ่านเกตเวย์การอนุมาน RiVault — เส้นทางการใช้งานจริง บนฮาร์ดแวร์จริง สำหรับผู้ใช้จริง และ KTHสร้างเอเจนต์ซ่อมแซม GROMACS ที่อยู่เบื้องหลังตัวเลข 81% นั้น บน DGX Spark เครื่องเดียว ภายในชั่วข้ามคืน
ผลลัพธ์ของ KTH สมควรมีประโยคแยกเป็นของตัวเองเพราะรูปร่างของมัน การตั้งค่า molecular-dynamics ที่พังนั้นเป็นความล้มเหลวธรรมดา ๆ ที่เกิดบ่อยและมีปริมาณมาก: ฟิลด์แรงที่ไม่ตรงกัน โทโพโลยีที่ไม่ตรงกับไฟล์พิกัด หรือ include ที่หายไป การแก้ไข 81% ของกรณีเหล่านี้ไม่ใช่เบนช์มาร์กวัดการให้เหตุผล แต่มันคือโมเดลที่ทำงานประเภทที่กลุ่มเคมีเชิงคำนวณในปัจจุบันมอบหมายให้นักศึกษาระดับบัณฑิตศึกษาทำ และงานนี้ได้รับการตรวจสอบโดยเอนจินจำลอง ไม่ใช่โดยตัวโมเดล ซึ่งทำให้มันเป็นหลักฐานที่ชัดเจนที่สุดในการเปิดตัวครั้งนี้
ทำไมนี่ถึงเป็นเรื่องราวหลังการฝึกที่สวมเสื้อผ้าของโมเดล
อ่านประกาศรีลีสอีกครั้ง แล้วสังเกตว่าจริง ๆ แล้ว NVIDIA กำลังขอให้คุณทำอะไร ผลลัพธ์ของพาร์ตเนอร์ทุกกรณีล้วนเกี่ยวข้องกับการปรับให้เข้ากับงาน: Terray ผ่านการ post-train ด้วยไดอะแกรม, Lila ผ่านการ post-train จากฟีดแบ็กในแล็บ, Therna ผ่านการ post-train ด้านการออกแบบ mRNA ไม่มีตัวเลขในพาดหัวข่าวใดเลยที่มาจากเช็กพอยต์ในสภาพที่จัดส่งออกไป นั่นเป็นความตั้งใจ และเป็นสิ่งที่สุดซื่อตรงเกี่ยวกับประกาศนี้
ข้อโต้แย้งคือโมเดลฐานในตอนนี้ดีพอแล้วจนปัจจัยที่สร้างความแตกต่างคือลูปหลังการฝึก ไม่ใช่การรันก่อนการฝึก NVIDIA กำลังขายลูปนั้น: เช็กพอยต์ขนาด 120B ที่มีสัญญาอนุญาตแบบเปิดกว้างซึ่งคุณสามารถปรับแต่งละเอียดได้โดยไม่ต้องตรวจสอบทางกฎหมาย ชุดข้อมูลทางเคมีสำหรับใช้ปรับแต่งละเอียด และสูตรที่อธิบายวิธีการทำ สิ่งนี้เป็นข้อเสนอที่แตกต่างอย่างแท้จริงจาก "โมเดลของเราฉลาดกว่า" และเป็นข้อเสนอที่จะได้ผลก็ต่อเมื่อน้ำหนักโมเดลเปิดเท่านั้น — ซึ่งเป็นเหตุผลที่สัญญาอนุญาตสำคัญกว่าตาราง benchmark อย่างแม่นยำ
{{1}}นอกจากนี้ยังอธิบายถึงไลน์ฮาร์ดแวร์ด้วย {{2}}NVIDIA กล่าวว่าโมเดลนี้ได้รับการปรับแต่งให้รันในเครื่องบน DGX Spark ขนาด 128GB และบิลด์ BF16 ต้องใช้ H100 4 ตัว หรือ GB200 2 ตัว ในขณะที่บิลด์ NVFP4 สามารถรันได้บน DGX Spark เครื่องเดียว, H200 หนึ่งตัว, H100 สองตัว หรือ GB200 หนึ่งตัว{{/2}} ลูป post-training เป็นงานเวิร์กโหลดแบบวนซ้ำ ปริมาณสูง และความหน่วงต่ำ และความแตกต่างระหว่าง “เช่าโหนด” กับ “มีกล่องอยู่บนโต๊ะทำงาน” คือความแตกต่างระหว่างลูปที่คุณรันไตรมาสละสองครั้งกับลูปที่คุณรันวันละสองครั้ง{{/1}}
ช่องว่างที่พูดกันอย่างตรงไปตรงมา
มีสามสิ่งที่ขาดหายไปจากรีลีส และแต่ละอย่างจะเปลี่ยนวิธีที่คุณวางแผน
• ไม่มีการประเมินที่เป็นอิสระต่อข้อกล่าวอ้างทางวิทยาศาสตร์ Artificial Analysis ติดตาม Nemotron 3.5 Super VL อยู่จริง — โดยระบุ Intelligence Index ที่ 14 เอาต์พุตที่ 291 โทเคนต่อวินาที เวลาถึงโทเคนคำตอบแรก 11.85 วินาที และราคาที่ระบุไว้ที่ 0.20 ดอลลาร์ต่อล้านโทเคนอินพุต และ 0.50 ดอลลาร์ต่อล้านโทเคนเอาต์พุต พร้อมส่วนลดแคช 75% นั่นมีประโยชน์และเป็นข้อมูลจากบุคคลที่สาม ไม่มีส่วนใดเป็นเกณฑ์มาตรฐานทางเคมี ตัวเลขวิทยาศาสตร์ทุกตัวในรีลีส SC26 มาจากฝ่ายที่มีส่วนได้ส่วนเสียในผลลัพธ์ และ LitmusBench v0.2 ใหม่พอที่ยังไม่มีกลุ่มภายนอกใดเผยแพร่คะแนนบนนั้นเลย
• ไม่มีราคาที่ประกาศไว้สำหรับโมเดลในรูปแบบบริการ ราคา $0.20/$0.50 ที่ระบุใน AA เป็นมิเตอร์ของแพลตฟอร์มบุคคลที่สาม ไม่ใช่ rate card ของ NVIDIA — NVIDIA ไม่ได้ประกาศตัวเลขต่อโทเคนสำหรับ NIM หากคุณกำลังจัดทำงบประมาณ คำตอบที่ตรงไปตรงมาในวันนี้คือ การโฮสต์เองเป็นเส้นทางเดียวที่มีต้นทุนที่ทราบ
• ไม่มีการประเมินลูปของเอเจนต์ มีแต่การประเมินเฉพาะองค์ประกอบเท่านั้น สูตรเหล่านี้อธิบายถึงเอเจนต์ที่วางแผน รันการจำลอง ตรวจสอบผลลัพธ์ และปรับเปลี่ยน ไม่มีใครในการเปิดตัวครั้งนี้รายงานว่าลูปนั้นทำงานเสร็จสมบูรณ์โดยไม่ต้องมีมนุษย์บ่อยเพียงใด ใช้การเรียกเครื่องมือไปมากน้อยแค่ไหน หรือมีต้นทุนต่องานที่ทำเสร็จเท่าใด ตัวเลขเหล่านี้คือสิ่งที่ตัดสินว่าเอเจนต์เป็นผลิตภัณฑ์หรือเป็นเพียงเดโม และตัวเลขเหล่านั้นก็หายไป

สิ่งนี้หมายความว่าอย่างไรหากคุณกำลังสร้าง
การตีความเชิงปฏิบัติก็คือ Nemotron for Science ไม่ใช่โมเดลที่คุณนำไปใช้ได้ทันที แต่เป็นชุดเริ่มต้น หากกลุ่มของคุณทำงานด้านเคมีหรือชีววิทยาโครงสร้างและมีกำลังความสามารถ GPU การรวมกันของเช็กพอยต์ 120B ที่มีสัญญาอนุญาตแบบเปิดกว้าง คำถามเคมี 50,000 ข้อ และชุดสูตรที่เผยแพร่แล้ว ถือเป็นแพ็กเกจสัปดาห์แรกที่ดีจริง ๆ และผลลัพธ์จาก KTH ชี้ให้เห็นว่าลูปการเรียกใช้เครื่องมือทำงานได้ดีพอที่จะมีประโยชน์กับความล้มเหลวทั่วไป
สิ่งที่มันไม่ใช่ คือการเป็นตัวแทนที่เสียบแทน API แบบโฮสต์ได้ทันที Nemotron 3.5 Super VL ไม่ได้อยู่ในแค็ตตาล็อกของเรา เราไม่ได้ให้บริการมันในวันนี้ และเส้นทางแบบโฮสต์เองคือสิ่งที่รีลีสนี้ถูกสร้างขึ้นมาโดยรอบจริง ๆ ในกรณีที่ทีมต่าง ๆ รันโมเดลแบบโฮสต์เป็นชั้นการให้เหตุผลของไปป์ไลน์ที่ใหญ่กว่า — และส่วนใหญ่ก็ทำเช่นนั้น เพราะลูปเอเจนต์รอบโมเดลวิทยาศาสตร์มักเป็นโมเดลทั่วไป — คำถามเรื่องการจัดเส้นทางนั้นแยกจากประกาศนี้ หนึ่งคีย์ที่ใช้ได้กับโมเดลมากกว่า 200 โมเดลในราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% และการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการต้นทางมีประสิทธิภาพลดลงกลางการทำงาน คือส่วนที่ทำให้งานเอเจนต์ที่ใช้เวลาหลายชั่วโมงไม่ตายในชั่วโมงที่สามเพราะผู้ให้บริการรายหนึ่งมีช่วงบ่ายที่แย่
สิ่งที่ควรดูต่อไป
คะแนน LitmusBench v0.2 จากภายนอกครั้งแรกให้ข้อสรุปได้มากกว่าการวัดผลใดเพียงครั้งเดียว เพราะเป็นตัวเลขเดียวในที่นี้ที่บุคคลที่เป็นกลางสามารถสร้างขึ้นได้ ตารางอัตราค่าใช้จ่าย NIM ที่เผยแพร่แล้วจะทำให้การเปรียบเทียบต้นทุนเป็นเรื่องของการคำนวณ ไม่ใช่การวางตำแหน่งทางการตลาด และรายงานเกี่ยวกับลูปของเอเจนต์เอง — อัตราการทำสำเร็จ งบประมาณการเรียกเครื่องมือ ต้นทุนต่องานที่ทำเสร็จ — คือสิ่งที่จะเปลี่ยนสิ่งนี้จากชุดเครื่องมือที่มีอนาคตให้เป็นการตัดสินใจจัดซื้อ
จนถึงตอนนั้น สรุปที่ยุติธรรมที่สุดก็คือสรุปที่ข่าวการเปิดตัวเขียนให้ตัวเองโดยบังเอิญ: NVIDIA ส่งมอบ checkpoint ที่ดีในเดือนตุลาคม และในเดือนพฤศจิกายนก็ส่งมอบสิ่งที่ทำให้ checkpoint นั้นมีประโยชน์ นั่นเป็นการประกาศที่ตื่นเต้นน้อยกว่า แต่มีค่ามากกว่า

