
Nemotron for Science vs Nemotron 3.5 Super: น้ำหนักโมเดลเดียวกัน แต่เป็นผลิตภัณฑ์ที่แตกต่างกัน
- 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
การเปรียบเทียบนี้มีข้อเท็จจริงที่น่าอึดอัดอยู่ตรงกลาง: NVIDIA Nemotron for Science และ NVIDIA Nemotron 3.5 Superไม่ใช่สองโมเดล แต่เป็นเช็กพอยต์ขนาด 120,000 ล้านพารามิเตอร์เดียวกัน ที่ส่งออกห่างกันห้าสัปดาห์ในบรรจุภัณฑ์ที่ต่างกัน Nemotron 3.5 Super คือน้ำหนักโมเดล — รีโพซิทอรีภายใต้ชื่อเต็มว่า Nemotron 3.5 Super VL 120B A12B ซึ่งอยู่บน Hugging Face ตั้งแต่ 12 ตุลาคม 2026 ประกาศเมื่อ 15 ตุลาคม ภายใต้ OpenMDW-1.1 มีพารามิเตอร์ที่ใช้งานจริง 12,000 ล้านตัวต่อโทเคน และรองรับคอนเท็กซ์ 1M โทเคน ส่วน Nemotron for Science คือสิ่งที่ NVIDIA ประกาศที่ SC26 เมื่อ 16 พฤศจิกายน: เช็กพอยต์นั้น บวกกับ LitmusBench v0.2 ซึ่งเป็นคำถามเกี่ยวกับการให้เหตุผลทางเคมีราว 50,000 ข้อ บวกกับสูตรการฝึกหลังการฝึก (post-training recipes) และการเชื่อมต่อเครื่องมือ CUDA-X บวกกับการติดตั้งใช้งานในสถาบันที่ระบุชื่อเจาะจงเจ็ดแห่ง
ดังนั้น คำถามที่มีประโยชน์จึงไม่ใช่คำถามที่ว่าอันไหนดีกว่า แต่เป็นคำถามว่าแพ็กเกจเดือนพฤศจิกายนเพิ่มอะไรให้กับเช็กพอยต์เดือนตุลาคม สิ่งที่เพิ่มเข้ามานั้นสมควรได้ชื่อแยกต่างหากหรือไม่ และวันนี้คุณจะดาวน์โหลดอะไรจริง ๆ หากต้องการรันเอเจนต์เคมีบนซิลิคอนของ NVIDIA นั่นเป็นคำถามที่น่าสนใจกว่าตารางสเปก และคำตอบก็ยกย่อง NVIDIA มากกว่าเรื่องเล่าการรีแพ็กเกจโดยทั่วไป
สิ่งที่เหมือนกัน และมันคือส่วนใหญ่ของมัน
เริ่มจาก checkpoint เพราะทุกอย่างในทั้งสองแพ็กเกจขึ้นอยู่กับสิ่งนี้ สถาปัตยกรรมไม่เปลี่ยนแปลงระหว่างเดือนตุลาคมถึงพฤศจิกายน: มิกซ์เจอร์ออฟเอ็กซ์เพิร์ตแบบไฮบริดของ Mamba-2 และ Transformer, ผู้เชี่ยวชาญแบบ routed จำนวน 512 รายต่อชั้น MoE, หัวทำนายหลายโทเคน, ตัวเข้ารหัสภาพ C-RADIO และตัวเชื่อมต่อภาพ-ภาษา, พารามิเตอร์รวม 120B โดยมี 12B ที่ใช้งานต่อโทเคน และบริบทสูงสุดถึง 1M โทเคน อินพุตเป็นข้อความ ภาพ RGB และวิดีโอ MP4 ความยาวสูงสุดสองนาที เอาต์พุตเป็นข้อความ ระดับความเข้มข้นในการให้เหตุผลกำหนดค่าได้ผ่านเทมเพลตแชทที่ off, medium หรือ on
• พารามิเตอร์ — รวม 120B, ใช้งาน 12B เหมือนกันในทั้งสองแบบ ไม่มีเช็กพอยต์ Nemotron for Science ที่มีจำนวนพารามิเตอร์ต่างกัน เพราะไม่มีเช็กพอยต์ Nemotron for Science แยกต่างหาก
• สัญญาอนุญาต — OpenMDW-1.1 สำหรับการใช้งานเชิงพาณิชย์และไม่ใช่เชิงพาณิชย์ เหมือนกันทุกประการ และนี่คือสิ่งที่ทำให้ข้อเสนอด้าน post-training เป็นไปได้เลยทีเดียว
• บริบท — 1M โทเค็น โดยการ์ดแนะนำวิดีโอที่ 2 FPS สูงสุด 256 เฟรม หรือ 1 FPS และ 128 เฟรมที่ 1080p
• ระดับฮาร์ดแวร์ขั้นต่ำ — 4× H100 หรือ 2× GB200 ที่ BF16; บิลด์ NVFP4 รองรับ DGX Spark เพียงเครื่องเดียว, H200 หนึ่งเครื่อง, H100 สองเครื่อง หรือ GB200 หนึ่งเครื่อง สายผลิตภัณฑ์ DGX Spark คือสิ่งที่ SC26 ใช้เป็นหลัก และเป็นไลน์เดียวกับที่การ์ดเดือนตุลาคมระบุไว้แล้ว
• เบนช์มาร์ก — 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 ทั้งหมดเป็นข้อมูลที่ผู้ขายรายงานเอง ทั้งหมดเผยแพร่พร้อมการ์ดเดือนตุลาคม ไม่มีรายการใดเป็นข้อมูลใหม่
หากคุณดาวน์โหลด Nemotron 3.5 Super ไปแล้วในเดือนตุลาคม คุณก็มีโมเดลที่เป็นพื้นฐานของ Nemotron for Science อยู่แล้ว ไม่มีส่วนใดในการประกาศเดือนพฤศจิกายนที่เปลี่ยนแปลงค่าน้ำหนักของโมเดลนี้
อะไรกันแน่ที่ใหม่ และมันก็ไม่ใช่เรื่องเล็กน้อย
ตอนนี้คือส่วนที่คุ้มค่ากับบทความ มีสามสิ่งมาถึงในวันที่ 16 พฤศจิกายน ซึ่งไม่มีอยู่ในวันที่ 15 ตุลาคม และแต่ละอย่างก็เปลี่ยนสิ่งที่คุณทำได้ตั้งแต่วันแรก
LitmusBench v0.2 คือไฮไลต์หลักคำถามการให้เหตุผลทางเคมีราว 50,000 ข้อ สร้างจากข้อมูลคุณสมบัติโมเลกุลและบันทึกการค้นพบยาจากการทดลอง ครอบคลุมงานอย่างการทำนายการละลายและวิธีที่ร่างกายเมแทบอไลซ์สารประกอบ คุณสมบัติสองประการทำให้มันเป็นมากกว่ากระดานจัดอันดับ: มันเป็นแบบเปิด และได้รับการออกแบบให้ใช้สำหรับ post-training รวมถึงการประเมินผล โมเดล 120B ที่มีสัญญาอนุญาตแบบผ่อนปรนและไม่มีข้อมูลเคมีสำหรับ fine-tune นั้นเป็นโมเดลที่คุณต้องสร้างชุดข้อมูลขึ้นมาเอง ส่วนโมเดล 120B ที่มาพร้อมคำถามเคมีที่ติดป้ายกำกับ 50,000 ข้อ คือโมเดลที่คุณปรับแต่งได้ภายในหนึ่งสัปดาห์ นั่นคือความแตกต่างที่แพ็กเกจนี้มอบให้
สูตรเหล่านี้คือชิ้นส่วนที่สอง NVIDIA ได้เผยแพร่สูตรการฝึกหลังการฝึกสำหรับการปรับใช้กับโดเมนเฉพาะ ตลอดจนเอกสารประกอบสำหรับการฝังโมเดลในเวิร์กโฟลว์ของเอเจนต์ที่อ่านข้อมูลทางวิทยาศาสตร์ เขียนโค้ด และเรียกใช้เครื่องมือที่เร่งความเร็วด้วย CUDA-X สำหรับใครก็ตามที่เคยลองให้โมเดลทั่วไปเรียกใช้แพ็กเกจพลศาสตร์โมเลกุลได้อย่างถูกต้อง เอกสารการเชื่อมต่อเครื่องมือถือเป็นส่วนที่ไม่หวือหวา แต่เป็นตัวชี้ขาดว่าลูปนั้นจะทำงานได้จริงหรือไม่
การนำไปใช้งานจริงถือเป็นประเภทที่สาม และสิ่งเหล่านี้คือหลักฐานเชิงประจักษ์มากกว่าจะเป็นเพียงสิ่งที่สร้างขึ้น Terray Therapeutics ฝึกปรับโมเดลเพิ่มเติมด้วยแผนภาพเคมี และกู้คืนปฏิกิริยาที่มีคำกำกับได้ราว 76% บน RxnScribe ซึ่งเอาชนะผลลัพธ์ที่เผยแพร่ก่อนหน้าบนสองเบนช์มาร์ก Lila Sciences ทำความแม่นยำในการสังเคราะห์ควอนตัมดอทได้ 61% เทียบกับ 54% ของ GPT-6 Astra ด้วยต้นทุนการอนุมานต่ำกว่า 10–20 เท่า Therna เกือบเพิ่มความแม่นยำในการทำนายช่วงการแสดงออกของโปรตีนสำหรับการออกแบบ mRNA เป็นสองเท่า โดยนักวิทยาศาสตร์เลือกคำอธิบายของระบบใน 96% ของการเปรียบเทียบแบบปกปิด Argonne กำลังผสานรวมเข้ากับ StructBioReasoner; Jülich ผสานเข้ากับเอเจนต์การค้นพบยาและวิทยาศาสตร์; RIKEN ให้บริการบน RIKYU ผ่านเกตเวย์ RiVault และ KTH สร้างเอเจนต์ซ่อมแซม GROMACS ที่แก้ไขการตั้งค่าที่จงใจทำให้เสียได้ 81% ในการรันข้ามคืนครั้งเดียวบน DGX Spark เครื่องเดียว โดยตรวจสอบยืนยันโดย GROMACS เอง

ทำไมการแยกออกเป็นสองชื่อจึงมีเหตุผลรองรับ
การตีความแบบมองในแง่ร้ายคือ NVIDIA ประกาศโมเดลเดียวกันสองครั้ง ผมไม่คิดว่าข้อนั้นจะสมเหตุสมผล และเหตุผลก็คือการประกาศทั้งสองครั้งตอบคำถามที่แตกต่างกัน
คำถามของเดือนตุลาคมคือ “เช็กพอยต์นี้คืออะไร และนำไปดีพลอยได้หรือไม่” คำตอบคือโมเดล MoE ที่รองรับทั้งภาษาและภาพขนาด 120B พร้อมหน้าต่างบริบท 1M โทเคน ข้อกำหนดฮาร์ดแวร์ขั้นต่ำตั้งแต่ DGX Spark ไปจนถึงโหนด GB200 และคำกล่าวอ้างเรื่องความเร็ว — เร็วกว่าอันดับรองลงมาในคลาสเดียวกัน 5 เท่า ตามข้อมูลของ NVIDIA แม้ว่าในเวลาที่มีการกล่าวอ้างนั้น Artificial Analysis จะไม่ได้ระบุโมเดลนี้ไว้ก็ตาม นั่นคือการเปิดตัวโมเดล
คำถามของเดือนพฤศจิกายนคือ "กลุ่มเคมีทำอะไรกับมันในวันจันทร์?" คำตอบนั้นคือชุดข้อมูล สูตร และองค์กรเจ็ดแห่งที่ทำมันแล้วและรายงานตัวเลข การจัดส่งน้ำหนักไม่ใช่ผลิตภัณฑ์เดียวกันกับการจัดส่งเวิร์กโฟลว์ และอันที่สองคือสิ่งที่กลุ่มวิจัยสามารถนำไปใช้ได้จริง
หลักฐานที่หนักแน่นที่สุดสำหรับการตีความนั้นคือรูปร่างของผลลัพธ์จากพาร์ตเนอร์ ตัวเลขพาดหัวทุกตัวล้วนมาจากเวอร์ชันที่ผ่านการฝึกต่อ ไม่ใช่จากเช็กพอยต์ในสภาพที่ส่งมอบ Terray ปรับแต่งมันจากไดอะแกรม Lila ปรับแต่งมันจากฟีดแบ็กในห้องแล็บ Therna ปรับแต่งมันจากข้อมูลการออกแบบ mRNA ชุดนี้ไม่ได้อ้างว่าโมเดลฐานเป็นนักเคมี แต่กำลังอ้างว่าโมเดลฐานเป็นจุดเริ่มต้นที่ดีพอที่ทีมในโดเมนจะทำให้มันเป็นนักเคมีได้ นั่นเป็นการอ้างที่ถ่อมตัวกว่าและมีประโยชน์กว่า และคงเป็นเรื่องแปลกที่จะอ้างเช่นนั้นในเดือนตุลาคม ก่อนที่ชุดข้อมูลจะถูกสร้างขึ้นมาเพื่อใช้ในการอ้าง
สิ่งที่แพ็กเกจยังไม่ได้ให้คุณ
สามช่องโหว่ เรียงตามต้นทุนที่คุณจะต้องจ่าย หากต้องค้นพบด้วยวิธีที่เจ็บปวด
• ไม่มีการประเมินทางเคมีโดยอิสระ Artificial Analysis ระบุ Nemotron 3.5 Super VL ไว้จริง — Intelligence Index 14, เอาต์พุต 291 โทเค็นต่อวินาที, 11.85 วินาทีถึงโทเค็นคำตอบแรก, $0.20 ต่อล้านโทเค็นอินพุต และ $0.50 ต่อล้านโทเค็นเอาต์พุต พร้อมส่วนลดแคช 75% นั่นเป็นคะแนนทั่วไปจากบุคคลที่สาม และควรค่าแก่การทราบ แต่ไม่ใช่คะแนนทางเคมี ตัวเลขวิทยาศาสตร์ทุกตัวในรีลีส SC26 ถูกสร้างโดยฝ่ายที่มีส่วนได้ส่วนเสีย และ LitmusBench v0.2 ใหม่พอที่ยังไม่มีกลุ่มภายนอกใดเผยแพร่ผลลัพธ์บนนั้น
• ไม่มีราคาจากผู้ขาย $0.20/$0.50 ข้างต้นเป็นมิเตอร์ของแพลตฟอร์มบุคคลที่สาม ไม่ใช่ตารางราคาของ NVIDIA NVIDIA ยังไม่ได้เผยแพร่ราคา NIM ต่อโทเคน ซึ่งหมายความว่าเส้นทางการจัดทำงบประมาณเดียวที่มีต้นทุนที่ทราบคือการโฮสต์ด้วยตนเอง
• ไม่มีอัตราความสำเร็จสำหรับลูปของเอเจนต์ ผลลัพธ์ของ KTH รายงานว่ามีการแก้ไขกรณีทดสอบ 81% ซึ่งเป็นตัวเลขที่ชัดเจนที่สุดในรีลีส — แต่ไม่ได้รายงานว่าแต่ละการแก้ไขต้องเรียกเครื่องมือกี่ครั้ง เอเจนต์วนซ้ำโดยไม่มีความคืบหน้ากี่ครั้ง หรืองานที่เสร็จสมบูรณ์มีต้นทุนเท่าใด ตัวเลขเหล่านี้คือสิ่งที่กำหนดว่าเอเจนต์พร้อมนำไปใช้งานได้จริงหรือเพียงแค่น่าประทับใจ
วิธีรันมัน และสแตกโดยรอบเข้ากันตรงไหน
คำแนะนำในการติดตั้งใช้งานนั้นชัดเจนเป็นพิเศษสำหรับรีลีสแบบเปิดน้ำหนักโมเดล ดังนั้นให้ยึดตามอย่างเคร่งครัด การ์ดระบุให้ใช้ vLLM พร้อม TP4 หรือ TP2, --trust-remote-code, การจัดตารางแบบ async, การถอดรหัสแบบ speculative ด้วย MTP ที่มี draft token ห้าตัว และ --max-num-seqs 32; หรือ SGLang พร้อม FP8 KV cache และการถอดรหัสแบบ speculative ด้วย EAGLE ที่ห้าขั้นตอน การสุ่มตัวอย่างใช้ temperature 1.0 พร้อม top_p 0.95 สำหรับข้อความ และ 0.6 พร้อม 0.95 สำหรับภาพ และชื่อเซิร์ฟเวอร์ในตัวอย่างคือ nemotron-3.5-super-vl ขีดจำกัดมัลติโมดัลคือหนึ่งภาพและหนึ่งวิดีโอต่อพรอมต์ นี่คือการกำหนดค่าที่คุณคัดลอกไปใช้ได้เลยโดยไม่ต้องคำนวณเอง
Nemotron 3.5 Super VL ไม่อยู่ในแคตตาล็อกของเรา — เราไม่ได้ให้บริการมัน ดังนั้นเส้นทางแบบโฮสต์เองคือเส้นทางจริง และนั่นเป็นสิ่งที่สมเหตุสมผลที่บทความเกี่ยวกับเช็กพอยต์แบบเปิดจะพูดได้ ด้านของสแต็กเราที่เข้าไปเกี่ยวข้องคือรอบ ๆ โมเดลวิทยาศาสตร์ มากกว่าเข้าไปอยู่ในตัวมันเอง เอเจนต์วิจัยคือตัววางแผนที่ห่อหุ้มเช็กพอยต์เฉพาะโดเมนไว้: มันแยกงานออกเป็นส่วนย่อย เรียกโมเดลเคมี เรียกการจำลอง อ่านผลลัพธ์ และตัดสินใจว่าต่อไปจะทำอะไร ตัววางแผนมักเป็นโมเดลทั่วไป และนั่นคือเลเยอร์ที่คีย์เดียวที่ใช้ได้กับ โมเดลมากกว่า 200 โมเดล ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ช่วยประหยัดงานการเชื่อมต่อ — พร้อมด้วย การสลับสำรองอัตโนมัติ ดังนั้นงานรันข้ามคืนหกชั่วโมงจะไม่ล้มเหลวในชั่วโมงที่ห้าเพราะผู้ให้บริการรายหนึ่งมีประสิทธิภาพลดลง การรวมโมเดล คืออีกกลไกหนึ่งที่ควรรู้ในบริบทนี้: ชุดโมเดลที่ช่วยกันตอบคำถามทางเคมีเดียวกันเป็นวิธีที่สมเหตุสมผลในการคัดกรองว่ามีโปรโตคอลใดบ้างที่คุ้มค่าจะรันบนฮาร์ดแวร์จริง

ดูอะไรดี
คะแนน LitmusBench v0.2 จากภายนอกครั้งแรกคือสิ่งที่มีประโยชน์ที่สุดเพียงอย่างเดียวที่อาจปรากฏขึ้น เพราะมันเป็นตัวเลขเดียวในเรื่องนี้ที่ฝ่ายที่เป็นกลางสามารถสร้างขึ้นมาได้ ตารางอัตราค่าบริการของ NIM จะทำให้การเปรียบเทียบระหว่างแบบโฮสต์กับแบบโฮสต์เองเป็นการคิดเลขแทนการคาดเดา และรายงานวงจรการทำงานของเอเจนต์ — อัตราความสำเร็จ งบการเรียกใช้เครื่องมือ ต้นทุนต่องานที่ทำเสร็จ — จะเปลี่ยนผลลัพธ์ของ KTH และ Lila จากเกร็ดเรื่องที่ให้กำลังใจให้กลายเป็นสิ่งที่ทีมสามารถวางแผนรองรับได้
จนถึงตอนนั้น สรุปสั้น ๆ คือ: หากคุณดาวน์โหลด Nemotron 3.5 Super ไปในเดือนตุลาคม Nemotron for Science ไม่ได้มาแทนที่มัน แต่ต่อยอดมันด้วยข้อมูลและสูตรการใช้งานที่ทำให้มันกลายเป็นเครื่องมือทางเคมี หากคุณยังไม่ได้ดาวน์โหลด แพ็กเกจเดือนพฤศจิกายนเป็นจุดเริ่มต้นที่ดีกว่า เพราะเป็นเวตชุดเดียวกันพร้อมชุดเริ่มต้นแนบมาให้

