NVIDIA روز ۱۶ نوامبر ۲۰۲۶ مجموعه Nemotron for Science را معرفی کرد، بسته‌ای برای پژوهشگرانی که می‌خواهند عامل‌های تخصصی برای کار علمی بسازند. این بسته کاربردهای علمی مدل باز Nemotron 3.5 Super VL، ارزیابی‌ها، یک مجموعه‌داده باز تازه در شیمی و دستورهای پس‌آموزش را کنار هم می‌آورد. NVIDIA می‌گوید پژوهشگران می‌توانند مدل را با کارهایی مانند آزمایش‌های شیمی و طراحی پروتئین سازگار کنند و سپس آن را در گردش‌کارهایی به کار ببرند که مطالب علمی را می‌خوانند، کد می‌نویسند و ابزارهای محاسباتی، از جمله کتابخانه‌های شتاب‌یافته CUDA-X شرکت، را فراخوانی می‌کنند.

مجموعه‌داده LitmusBench v0.2 است که NVIDIA آن را نزدیک به ۵۰ هزار پرسش برای آموزش و ارزیابی مدل‌های زبانی در استدلال شیمیایی توصیف می‌کند. این مجموعه بر ویژگی‌های مولکولی و داده‌های تجربی کشف دارو تکیه دارد و برای بهتر شدن پیش‌بینی رفتار مولکول‌ها ساخته شده، از جمله حلالیت آن‌ها و چگونگی پردازش‌شان در بدن انسان. NVIDIA می‌گوید Nemotron 3.5 Super VL و LitmusBench v0.2 همین حالا در Hugging Face در دسترس‌اند و مدل برای اجرای محلی روی سامانه NVIDIA DGX Spark با ۱۲۸ گیگابایت حافظه بهینه شده است.

شرکت از سه کاربر حوزه علوم زیستی نام می‌برد و همه این نتایج از اعلام خود NVIDIA است. Terray Therapeutics مدل را برای استخراج واکنش‌دهنده‌ها، فرآورده‌ها و شرایط واکنش از نمودارهای علمی پس‌آموزش داده و می‌گوید در آزمون RxnScribe حدود ۷۶ درصد واکنش‌های برچسب‌خورده را بازیابی کرده و در دو محک از نتایج منتشرشده پیشین جلو افتاده است. Lila Sciences از آن برای طراحی پروتکل‌های آزمایشگاهی برای آزمایشگاه‌های خودکارش استفاده کرده و می‌گوید پس‌آموزش با بازخورد آزمایشگاه دقت ساخت نقطه‌های کوانتومی را تقریباً دو برابر و به ۶۱ درصد رسانده، در برابر ۵۴ درصد برای GPT-6 Astra، با هزینه استنتاج ۱۰ تا ۲۰ برابر کمتر. Therna می‌گوید پس‌آموزش برای طراحی درمان‌های mRNA دقت پیش‌بینی بازه بیان پروتئین را در مقایسه با مدل‌های پیشرو تقریباً دو برابر کرده و دانشمندان در ۹۶ درصد مقایسه‌ها توضیح‌های آن را به توضیح‌های مدل پایه ترجیح داده‌اند.

چند نهاد پژوهشی هم نام برده شده‌اند. Argonne National Laboratory دارد Nemotron را در سامانه چندعاملی StructBioReasoner خود، برای طراحی و ارزیابی نامزدهای درمانی مبتنی بر پروتئین، به کار می‌گیرد. KTH Royal Institute of Technology عاملی ساخته که پیکربندی‌های خراب دینامیک مولکولی GROMACS را تعمیر می‌کند و به گفته NVIDIA در یک اجرای شبانه روی یک DGX Spark با استدلال فعال، ۸۱ درصد موردهای آزمون را درست کرد و هر اصلاح را خود GROMACS بررسی کرد. RIKEN، Nemotron از جمله Nemotron 3.5 Super VL را روی بستر ابررایانه هوش مصنوعی RIKYU از طریق دروازه استنتاج RiVault عرضه می‌کند و Jülich Supercomputing Centre آن را در عامل‌های کشف دارو و کشف علمی ادغام می‌کند.

Ian Buck، معاون ارشد NVIDIA در رایانش مقیاس‌بالا و محاسبات با کارایی بالا، گفت این بسته مدل باز، داده علمی و دستور پس‌آموزش را به پژوهشگران می‌دهد تا عامل‌هایی بسازند که درباره مسئله‌های علمی استدلال می‌کنند و از ابزارهای CUDA-X بهره می‌برند.

این انتشار اعلام خود سازنده است و مقایسه‌های عملکرد، نسبت‌های هزینه و ارقام دقت به‌طور مستقل بازتولید نشده‌اند. برای نمونه مقایسه با GPT-6 Astra از کار خاص Lila Sciences و رقمی می‌آید که NVIDIA گزارش کرده است. برای سازندگان، بخش‌های قابل راستی‌آزمایی وزن‌های باز و مجموعه‌داده در Hugging Face است که دیگران اکنون می‌توانند روی کارهای علمی خودشان آزمایش کنند.

منابع