NVIDIA Nemotron for Science 的标题卡,标题为“发布了什么,以及它证明了什么”,并列出四项统计数据:约 50,000 道 LitmusBench v0.2 化学题;总参数 120B、活跃参数 12B;KTH 智能体在一次通宵 DGX Spark 运行中修复了 81% 的 GROMACS 设置;以及 100 万 token 上下文窗口。
Engineering & Research

深入解读 NVIDIA Nemotron for Science:SC26 的开放化学栈究竟交付了什么

作者

Gideon Frost

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

百分之八十一是值得首先提到的数字,而且它不是基准测试分数。它指的是,在一个NVIDIA Nemotron for Science之上构建的智能体,在一台 DGX Spark 工作站上通过一次通宵运行所修复的、被故意破坏的 GROMACS 分子动力学设置所占的比例——据 KTH Royal Institute of Technology 称,并且每项修复都由 GROMACS 本身检查,而不是由模型给自己的作业打分。NVIDIA 于 2026 年 11 月 16 日在芝加哥举行的 SC26 上,通过其超大规模与高性能计算副总裁 Ian Buck 宣布了这一合集。它是一套包含三件产物的组合:开放的 Nemotron 3.5 Super VL 检查点、一个名为 LitmusBench v0.2、约含 50,000 道题的开放化学数据集,以及一套将模型接入 CUDA-X 加速科学工具链的后训练配方。

真正有意思的是这种组合,而不是新闻标题所推销的那部分。到2026年底,厂商再发布一个开放检查点已属常规;NVIDIA 就是在10月发布的这一个。11月16日的新意在于它周围的支撑体系——评估集、配方,以及一组具名的机构部署,这些部署描述了当你把模型指向真实的科学工作流、而不是排行榜时会发生什么。本文会梳理该集合中实际包含的内容、合作方数字能说明和不能说明什么,以及对于任何计划在此基础上进行构建的人而言,缺口在哪里。

三件文物,分开展示

NVIDIA 的新闻稿及其随附的 X 帖子描述的是同一个打包方案。将其拆解开来很重要,因为每一部分都有不同的许可立场、不同的成熟度,以及不同的值得关注的理由。

• 该检查点——Nemotron 3.5 Super VL,一个 1200 亿参数的专家混合模型,每 token 激活 120 亿参数,采用 Mamba-2 与 Transformer 混合架构,每个 MoE 层有 512 个路由专家,配备 C-RADIO 视觉编码器,上下文长度最高达 100 万 token。输入文本、图像和 2 分钟 MP4 视频;输出文本。采用 OpenMDW-1.1 许可,支持商用和非商用,权重已发布于 Hugging Face。这在 11 月 16 日已不算新消息——该仓库于 10 月 12 日上线,NVIDIA 自己的公告随后于 10 月 15 日发布。

• 该数据集——LitmusBench v0.2,一个约 50,000 道化学推理问题的开放集合,这些问题取自分子性质数据和实验药物发现记录。它面向科学基准通常不得不在两个文件之间拆分的两项工作:评估化学推理,以及可用作训练后数据。溶解度预测和代谢归宿是 NVIDIA 明确指出的两个任务族。

• 训练配方与工具链——面向领域适配的后训练配方,以及让智能体能够将 CUDA-X 加速的科学软件作为工具调用的连接机制。正是这一部分,把聊天模型变成能够运行模拟、读取输出并决定下一步该做什么的系统。

检查点是三者中最不新颖的,而数据集是最持久的。基准测试套件会过时;一个采用宽松许可证、包含 5 万个问题的化学题集,属于三年后仍会被引用的东西,而这也是本次发布中 NVIDIA 投入最多去免费开放的部分。

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.

合作方结果实际说明了什么

公告中提到了七家机构,附在它们身上的数字是整份新闻稿中最接近证据的内容。所有这些数据均由供应商自行报告,且没有任何一项经过独立复现——这一保留同样适用于本节中的每一个数字,也正是应当把它们当作案例研究而非评分来解读的原因。

Terray Therapeutics在化学图解——专利和论文中绘制的反应式——上对模型进行了后训练,以提取反应物、产物和反应条件。在 RxnScribe 上,它找回了约 76% 的标注反应,并在两个基准测试上超过了此前已发表的结果。图解提取并不光鲜,但真实化学工作中很大一部分劳动实际上就花在这里,因此,在一个具名基准上达到 76% 的回收率,是比推理分数更有用的说法。

Lila Sciences是这份新闻稿所倚重的数字。在为自动化实验室生成可直接执行的实验方案时,该基础模型完全未经微调就达到了前沿性能。经过实验室反馈的后训练,量子点合成准确率达到61%,而GPT-6 Astra为54%,同时推理成本低10–20倍。有两点值得指出。如果实验方案本身成立,这七个百分点的差距就是真实的;而成本倍数则是更具实际影响的数字——推理成本节省10–20倍,会改变究竟哪些实验值得运行。但这是一场由开展后训练的一方所做的比较,任务由他们选定,竞争对手也由他们指定。

Therna经过面向智能体式 mRNA 治疗设计的后训练,使蛋白质表达范围预测准确率几乎翻倍。在一项盲法比较中,科学家在 96% 的案例中更喜欢它的解释,而非基座模型的解释。偏好不等于准确率,96% 的偏好率说明的是推理读起来如何,而不是它是否正确。

接下来是机构部署,这是我觉得最有说服力的部分,正因为它们没有被包装成胜利。Argonne National Laboratory正在将 Nemotron 融入 StructBioReasoner,这是一个用于设计基于蛋白质的癌症疗法的多智能体系统。Jülich Supercomputing Centre正在将其集成到药物与科学发现智能体中。RIKEN正在通过 RiVault 推理网关,在其 RIKYU 超级计算平台上提供这些模型(包括 Super VL)——一条面向真实用户、运行在真实硬件上的真实生产路径。并且 KTH在一台 DGX Spark 上通宵构建了那个 81% 数字背后的 GROMACS 修复智能体。

KTH 的结果因其形态而值得单独用一句话来说明。一个坏掉的分子动力学设置是一种平淡且高频的失败:力场不匹配、拓扑与坐标文件不一致、缺少 include。修复其中 81% 并不是一项推理基准。这是模型在做计算化学课题组目前交给研究生做的那类工作,而且它是由模拟引擎而非模型来验证的,这使它成为本次发布中最干净的证据。

为什么这是一个披着模型外衣的后训练故事

再读一遍发布稿,注意 NVIDIA 实际上是在让你做什么。每一个合作伙伴的成果都涉及适配:Terray 基于图表进行了后训练,Lila 基于实验室反馈进行了后训练,Therna 基于 mRNA 设计进行了后训练。没有一个头条数字来自按原样发布的检查点。这是有意为之,也是这次公告中最诚实的一点。

这个论点是:基础模型如今已经足够好,真正的差异化在于后训练循环,而不是预训练运行。NVIDIA 卖的正是这个循环:一个采用宽松许可的 120B 检查点,你可以无需法律审查就进行微调;一个用于微调的化学数据集;以及描述如何操作的配方。这与“我们的模型更聪明”是一个真正不同的卖点,而且这个卖点只有在权重开放的情况下才成立——这正是为什么许可证比基准测试表更重要。

这也解释了其硬件产品线。NVIDIA 表示,该模型经过调优,可在 128GB 的 DGX Spark 上本地运行;BF16 版本需要 4× H100 或 2× GB200,而 NVFP4 版本则可适配单台 DGX Spark、单块 H200、两块 H100 或单块 GB200。后训练循环是一种迭代式、高吞吐量、低延迟的工作负载,而“租用一个节点”与“工作台上就有一台机器”之间的差别,就是每季度运行两次的循环与每天运行两次的循环之间的差别。

直截了当地说,这些差距

发布版本中缺少三件事,而每一件都会改变你的规划方式。

• 没有对相关科学声明进行独立评估。Artificial Analysis 确实追踪了 Nemotron 3.5 Super VL——它列出的智能指数为 14,输出速度为每秒 291 个 token,首个回答 token 的耗时 11.85 秒,标价为每百万输入 token 0.20 美元、每百万输出 token 0.50 美元,并提供 75% 的缓存折扣。这些信息很有用,而且来自第三方。但其中没有任何一项是化学基准测试。SC26 发布中的每一个科学数据都来自与该结果存在利益关系的一方,而 LitmusBench v0.2 足够新,目前还没有外部团队公布过它的得分。

• 该模型作为服务提供时没有公布价格。AA 列出的 $0.20/$0.50 是第三方平台的计价标准,并非 NVIDIA 的价格表——NVIDIA 从未公布 NIM 的每 token 价格。如果你在做预算,那么今天最实在的答案是:自托管是唯一成本已知的路径。

• 没有对智能体循环的评估,只有对各个组件的评估。这些配方描述了一个能够规划、运行模拟、检查结果并进行调整的智能体。此次发布中没有人报告该循环在无人介入的情况下完成的频率、它消耗了多少次工具调用,或者每个已完成任务的成本是多少。这些正是决定一个智能体是产品还是演示的数字,而它们都缺失了。

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.

如果你正在构建,这意味着什么

务实的解读是,Nemotron for Science 并不是一个你直接采用的模型,而是一个起步工具包。如果你的团队做化学或结构生物学,并且拥有 GPU 算力,那么一个采用宽松许可的 120B 检查点、50,000 道化学题以及一套已发布方案组成的组合,确实是一个很好的首周起步包——而 KTH 的结果表明,工具调用循环运行得足够好,能在日常故障上发挥作用。

它并非托管 API 的即插即用替代品。Nemotron 3.5 Super VL 不在我们的产品目录中;我们今天不提供它,而本次发布实际围绕的正是自托管路径。当团队把托管模型用作更大流水线的推理层时——大多数团队确实如此,因为围绕科学模型的智能体循环通常是通用模型——路由问题与本公告是两回事。一个密钥即可访问 200 多个模型,按 供应商标价、零加价,并具备自动故障转移能力——当上游在运行中途降级时,正是这一点让持续数小时的智能体任务不会因为某个供应商下午状态不佳而在第三个小时中断。

接下来看什么

首个外部 LitmusBench v0.2 评分比任何单一基准测试都更能说明问题,因为它是这里唯一一个中立第三方能够生成的数字。一份公开的 NIM 价目表会让成本比较成为一道算术题,而不是定位话术。而一份关于智能体循环本身的报告——完成率、工具调用预算、每项已完成任务的成本——才能让它从一套有前景的工具包变成一项采购决策。

在那之前,最公允的总结,是这次发布无意中为自己写下的那句:NVIDIA 在十月交付了一个不错的检查点,而到了十一月,它交付了让这个检查点变得有用的东西。那是一则没那么令人兴奋、却更有价值的公告。

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.