Nemotron for Science объединяет модель Nemotron 3.5 Super VL, химические данные и рецепты дообучения. NVIDIA предлагает адаптировать ИИ-агентов к задачам конкретных лабораторий.
Модель, данные и специализированные инструменты
NVIDIA 16 ноября представила Nemotron for Science — набор компонентов для разработки научных ИИ-агентов. В основе находится открытая мультимодальная модель Nemotron 3.5 Super VL; к ней добавлены научные оценки, химические данные и методики дообучения. Такой набор предназначен для систем, которые разбирают научные задачи и вызывают специализированные вычислительные инструменты. Сам анонс описывает основу для разработки, а не готовую универсальную лабораторию.
В пресс-релизе компания выделяет химический набор LitmusBench v0.2, содержащий почти 50 тысяч вопросов для обучения и оценки рассуждений о молекулах. Данные включают сведения об их свойствах и результатах экспериментов. Модель и набор опубликованы на Hugging Face; NVIDIA также заявляет об оптимизации модели для локального запуска на DGX Spark со 128 ГБ памяти. Это конкретная аппаратная конфигурация, а не обещание работы на любом домашнем компьютере.
Дообучение на проверяемых результатах
Технический материал NVIDIA показывает отдельный подход к адаптации модели на экспериментальных записях. Исходные данные превращаются в задания с известным ответом, а проверяющая функция начисляет оценку за результат. В примере используется прогнозирование продукта превращения молекулы под действием фермента. Сходство предсказанной и эталонной структур измеряют по молекулярным отпечаткам, чтобы сигнал обучения был связан с данными, а не с убедительностью объяснения.
Для такого процесса задействованы NeMo Gym и NeMo RL: первый предоставляет среду задания и проверки, второй — инфраструктуру обучения с подкреплением. Авторы также описывают необязательную подготовку на отобранных рассуждениях более сильной модели. Для научных команд существенен сам принцип: критерий правильности должен быть задан заранее и соответствовать задаче. Красиво написанная цепочка рассуждений без совпадения с экспериментом не становится подтверждённым результатом.
Что означают примеры применения
В анонсе перечислены проекты по извлечению химических знаний, планированию экспериментов и разработке лабораторных протоколов. Отдельный пример KTH касается агента, исправляющего некорректные настройки молекулярной динамики GROMACS: по сообщению NVIDIA, в одном ночном запуске он справился с 81% тестовых случаев, а исправления независимо проверял сам GROMACS. Это результат указанной проверки, который нельзя переносить на любые научные программы.
Для исследователей ценность релиза состоит в возможности соединить адаптируемую модель с собственными данными и проверяющими инструментами. Публикация весов и рецептов облегчает изучение такого подхода, но не устраняет затраты на оборудование и валидацию. Приведённые NVIDIA показатели относятся к выбранным экспериментам и партнёрским сценариям; перед использованием в другой области нужно заново определить тестовую выборку и допустимый уровень ошибок.
Источники
- NVIDIA: анонс Nemotron for Science — 2026-11-16
- NVIDIA: техническое описание дообучения — 2026-11-16
