对比标题卡,标题为“Nemotron for Science vs Nemotron 3.5 Super”,并说明这并不是两个模型:10 月检查点总参数量为 120B、激活参数量为 12B,每个 MoE 层有 512 个路由专家,权重于 2026 年 10 月 12 日发布在 Hugging Face,并于 10 月 15 日公布;11 月套件于 11 月 16 日在芝加哥的 SC26 上发布;约 50,000 个 LitmusBench v0.2 问题是唯一的新模型制品。
Engineering & Research

Nemotron for Science 对比 Nemotron 3.5 Super:权重相同,产品不同

作者

jinhao.song

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

这个对比的核心有一个尴尬的事实:NVIDIA Nemotron for Science和NVIDIA Nemotron 3.5 Super并不是两个模型。它们是同一个 1200 亿参数的检查点,相隔五周发布,只是换了不同的包装。Nemotron 3.5 Super 是权重本身——即采用更完整名称 Nemotron 3.5 Super VL 120B A12B 的代码仓库,自 2026 年 10 月 12 日起已在 Hugging Face 上线,于 10 月 15 日公布,遵循 OpenMDW-1.1,每个 token 有 120 亿活跃参数,上下文长度为 100 万 token。Nemotron for Science 则是 NVIDIA 于 11 月 16 日在 SC26 上发布的内容:那个检查点,加上 LitmusBench v0.2(约 5 万道化学推理题),加上后训练配方和 CUDA-X 工具集成,再加上七个明确列出的机构部署。

所以,有用的问题并不是哪一个更好。而是11月的发布包为10月的检查点增加了什么,这些新增内容是否足以值得单独命名,以及如果你今天想在 NVIDIA 芯片上运行化学智能体,你实际会下载哪一个。这个问题比规格表更有意思,而且答案对 NVIDIA 的赞美,比一个重新包装的故事通常所能得到的还要多。

相同的是什么,而这占了大部分。

从检查点开始,因为两个包中的所有内容都依赖它。架构在十月到十一月之间没有变化:一个 Mamba-2 与 Transformer 的混合专家模型,每个 MoE 层有 512 个路由专家,多 token 预测头,一个 C-RADIO 视觉编码器和一个视觉语言连接器,总参数 120B,每个 token 激活 12B,上下文最多 1M 个 token。输入为文本、RGB 图像和最长两分钟的 MP4 视频;输出为文本。推理强度可通过聊天模板配置为关闭、中等或开启。

• 参数——总计 120B,激活 12B。两者完全相同。不存在参数数量不同的 Nemotron for Science 检查点,因为不存在单独的 Nemotron for Science 检查点。

• 许可证 — OpenMDW-1.1,适用于商业和非商业用途。完全一致,正是这一点使后训练卖点成为可能。

• 上下文 — 100 万 token,该卡建议以 2 FPS 处理最多 256 帧视频,或在 1080p 下以 1 FPS 处理 128 帧。

• 硬件门槛 — BF16 下为 4× H100 或 2× GB200;NVFP4 版本可适配单台 DGX Spark、一块 H200、两块 H100 或一块 GB200。DGX Spark 系列正是 SC26 所倚重的那一系列,也正是十月那张卡已经承载的同一系列。

• 基准测试 — 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。以上均为厂商报告的数据,全部随十月份的卡片一同发布,没有一项是新的。

如果你已在十月拉取过 Nemotron 3.5 Super,那么你拥有的就是 Nemotron for Science 所基于的模型。十一月公告中的任何内容都不会改变它的权重。

真正新的是什么,而且这绝非无足轻重。

现在说说真正值得写进文章的部分。11月16日出现了三样在10月15日还不存在的东西,而每一样都改变了你第一天就能做的事。

LitmusBench v0.2 是头条亮点。 大约 50,000 个化学推理问题,基于分子性质数据和实验药物发现记录构建,涵盖预测溶解度以及化合物在体内如何代谢等任务。两个特点使其不止是一个排行榜:它是开放的,而且既设计用于评估,也设计用于后训练。一个拥有宽松许可证、但没有化学数据可用于微调的 120B 模型,是你必须为其构建数据集的模型;而一个附带 50,000 个标注化学问题的 120B 模型,是你可以在一周内适配的模型。这就是该套件所带来的差异。

这些配方是第二部分。NVIDIA 发布了用于领域自适应的后训练配方,以及关于将模型嵌入智能体工作流的文档;这些工作流能够读取科学信息、编写代码并调用 CUDA-X 加速工具。对于任何尝试让通用模型正确调用分子动力学软件包的人来说,工具接线文档正是决定整个循环能否跑通的那个不起眼的部分。

这些部署是第三项,而且它们是证据,而不是人工产物。 Terray Therapeutics 在化学图解上对模型进行了后训练,并在 RxnScribe 上恢复了约 76% 的标注反应,在两个基准上超过了此前已发表的结果。Lila Sciences 在推理成本低 10–20× 的情况下,量子点合成准确率达到 61%,而 GPT-6 Astra 为 54%。Therna 将 mRNA 设计的蛋白质表达范围预测准确率几乎提高了一倍,在 96% 的盲法比较中,科学家更青睐其解释。Argonne 正将其集成到 StructBioReasoner 中;Jülich 正将其集成到药物与科学发现智能体中;RIKEN 正通过 RiVault 网关在 RIKYU 上提供它。而 KTH 构建了一个 GROMACS 修复智能体,在单台 DGX Spark 上通过一次夜间运行修复了 81% 的故意破坏的配置,并由 GROMACS 自身验证。

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.

为什么拆分成两个名称是站得住脚的

一种冷嘲式的解读是,NVIDIA 把同一个模型发布了两遍。我认为这种说法站不住脚,因为这两次发布回答的是不同的问题。

十月的问题是:“这个检查点是什么,能否部署?”答案是:一个拥有 100 万 token 窗口的 120B 视觉语言 MoE,一套从 DGX Spark 到 GB200 节点的硬件门槛,以及一项速度声明——据 NVIDIA 称,其速度比同类中次优者快 5 倍,尽管在作出该声明时 Artificial Analysis 并未列出该模型。那是一次模型发布。

11月的问题是:“一个化学小组周一用它做什么?”答案是一个数据集、一份操作指南,以及七个已经实践过并报告了数据的组织。交付权重与交付工作流并不是同一种产品,而后者才是研究小组真正能够采用的。

这种解读的最强证据是合作方结果的形态。每一个头条数字都来自经过后训练的变体,而不是交付时的检查点。Terray 基于图表对其进行了适配。Lila 基于实验室反馈对其进行了适配。Therna 基于 mRNA 设计数据对其进行了适配。这套材料并不是在声称基础模型是化学家;它声称的是,基础模型是一个足够好的起点,领域团队可以把它变成化学家。这是一个更谦逊也更有用的主张,而且在十月、在用来支撑它的数据集还不存在之前就提出这个主张,会很奇怪。

这个软件包仍然没有为你提供的东西

三个缺口,按你以惨痛代价发现它们所需成本的高低排序。

• 无独立的化学评估。Artificial Analysis 确实列出了 Nemotron 3.5 Super VL——Intelligence Index 为 14,输出速度为每秒 291 个 token,首个回答 token 耗时 11.85 秒,每百万输入 token 收费 $0.20、每百万输出 token 收费 $0.50,并享有 75% 的缓存折扣。这是一个第三方通用评分,值得了解。但它不是化学评分。SC26 发布内容中的每一个科学数据都是由利益相关方生成的,而 LitmusBench v0.2 足够新,尚无外部团队公布过其结果。

• 无厂商定价。上文中的 $0.20/$0.50 是第三方平台的计价标准,而非 NVIDIA 的价目表。NVIDIA 尚未公布任何按 token 计费的 NIM 定价,这意味着唯一成本已知的预算方案就是自托管。

• 代理循环没有完成率。KTH 的结果报告称修复了 81% 的测试用例,这是本次发布中最具体的数字——但它没有报告每次修复需要多少次工具调用、代理多久会在没有进展的情况下反复循环,或者完成一个任务需要多少成本。而这些数字才决定一个代理是可部署的,还是仅仅令人印象深刻。

如何运行它,以及周边技术栈适用于哪里

部署建议对于开放权重发布而言异常明确,因此请照字面执行。模型卡明确指定:使用 TP4 或 TP2 的 vLLM,启用 --trust-remote-code、异步调度、带五个草稿令牌的 MTP 投机解码以及 --max-num-seqs 32;或者使用带 FP8 KV 缓存和五步 EAGLE 投机解码的 SGLang。采样参数为:文本使用 temperature 1.0 和 top_p 0.95,视觉使用 temperature 0.6 和 top_p 0.95,示例中的服务器名为 nemotron-3.5-super-vl。多模态限制为每个提示一张图像和一个视频。这是一个可以直接照搬而无需推导的配置。

Nemotron 3.5 Super VL 不在我们的目录中——我们不提供它,所以自托管路径才是真正的选择,而这对一篇关于开放检查点的文章来说也是公允的说法。我们这一侧的栈确实发挥作用的地方,是在科学模型周围,而不是在它内部。研究智能体是一个包裹在领域检查点外面的规划器:它分解任务、调用化学模型、调用模拟、读取结果,并决定下一步做什么。规划器通常是通用模型,而正是在这一层,用一个密钥覆盖 超过 200 个模型、按提供商标价且 0% 加价,能省去集成工作——并具备 自动故障转移,这样一次六小时的夜间运行不会在第五个小时因为某个提供商性能下降而失败。模型融合 是这里另一个值得了解的杠杆:让一组模型共同回答同一个化学问题,是判断哪些协议值得在真实硬件上运行的一种合理方式。

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.

看什么

首个外部 LitmusBench v0.2 评分是眼下可能出现的最有用的单一指标,因为它是这个故事里唯一能由中立第三方生成的数字。一份 NIM 价目表能让托管与自托管的比较变成算术题,而不是靠猜。而一份智能体循环报告——完成率、工具调用预算、每个已完成任务的成本——则能把 KTH 和 Lila 的结果从令人鼓舞的轶事,变成团队可以据此规划的材料。

在那之前,简短版是:如果你在十月拉取了 Nemotron 3.5 Super,Nemotron for Science 并不会取代它,而是用使其成为化学工具的数据和方案来扩展它。如果你没有拉取,十一月的包是更好的切入点,因为它是相同的权重,并附带一个入门套件。

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.