Le 16 novembre 2026, NVIDIA a présenté Nemotron for Science, un ensemble destiné aux chercheurs qui veulent construire des agents spécialisés pour le travail scientifique. Il réunit des applications scientifiques du modèle ouvert Nemotron 3.5 Super VL de l'entreprise, des évaluations, un nouveau jeu de données ouvert de chimie et des recettes de post-entraînement. NVIDIA explique que les chercheurs peuvent adapter le modèle à des tâches comme les expériences de chimie ou la conception de protéines, puis l'intégrer à des flux d'agents qui lisent des documents scientifiques, écrivent du code et appellent des outils de calcul, dont les bibliothèques accélérées CUDA-X de NVIDIA.

Le jeu de données est LitmusBench v0.2, que NVIDIA décrit comme près de 50 000 questions pour entraîner et évaluer des modèles de langage au raisonnement chimique. Il s'appuie sur des propriétés moléculaires et sur des données expérimentales de découverte de médicaments, et vise à améliorer la capacité des modèles à prédire le comportement des molécules, notamment leur solubilité et la façon dont le corps humain les traite. NVIDIA indique que Nemotron 3.5 Super VL et LitmusBench v0.2 sont disponibles dès maintenant sur Hugging Face et que le modèle a été optimisé pour fonctionner en local sur un système NVIDIA DGX Spark de 128 Go.

L'entreprise cite trois utilisateurs des sciences du vivant, et tous ces résultats proviennent de l'annonce de NVIDIA. Terray Therapeutics a post-entraîné le modèle pour extraire réactifs, produits et conditions de réaction à partir de schémas scientifiques et affirme avoir retrouvé environ 76 % des réactions annotées au test RxnScribe, dépassant des résultats déjà publiés sur deux benchmarks. Lila Sciences l'a utilisé pour concevoir des protocoles de laboratoire pour ses laboratoires automatisés et indique que le post-entraînement avec retour du laboratoire a presque doublé la précision de fabrication de boîtes quantiques, à 61 %, contre 54 % pour GPT-6 Astra, avec un coût d'inférence 10 à 20 fois inférieur. Therna déclare que le post-entraînement pour la conception de thérapies à ARNm a presque doublé la précision de prédiction des plages d'expression protéique par rapport aux modèles de pointe, et que les scientifiques ont préféré ses explications à celles du modèle de base dans 96 % des comparaisons.

Des institutions de recherche sont aussi citées. Le laboratoire national d'Argonne intègre Nemotron à son système multi-agents StructBioReasoner, qui sert à concevoir et à évaluer des candidats thérapeutiques à base de protéines. L'institut royal de technologie KTH a construit un agent qui répare des configurations de dynamique moléculaire GROMACS défaillantes ; selon NVIDIA, lors d'une exécution nocturne sur un seul DGX Spark avec le raisonnement activé, il a corrigé 81 % des cas de test, chaque correction étant vérifiée par GROMACS lui-même. RIKEN propose Nemotron, dont Nemotron 3.5 Super VL, sur sa plateforme de supercalcul d'IA RIKYU via sa passerelle d'inférence RiVault, et le centre de supercalcul de Jülich l'intègre à des agents de découverte de médicaments et de découverte scientifique.

Ian Buck, vice-président du calcul hyperscale et haute performance chez NVIDIA, a déclaré que l'ensemble donne aux chercheurs des modèles ouverts, des données scientifiques et des recettes de post-entraînement pour construire des agents qui raisonnent sur des problèmes scientifiques et utilisent les outils CUDA-X.

Cette publication est une annonce du constructeur, et les comparaisons de performance, les rapports de coût et les chiffres de précision n'ont pas été reproduits de manière indépendante. La comparaison avec GPT-6 Astra, par exemple, vient d'une tâche propre à Lila Sciences et d'un chiffre communiqué par NVIDIA. Pour les développeurs, les éléments vérifiables sont les poids ouverts et le jeu de données sur Hugging Face, que d'autres peuvent désormais tester sur leurs propres tâches scientifiques.

Références