英伟达今天发布了 Nemotron for Science,把自家Nemotron 3.5 Super VL开源模型的科学应用、一套新的开放化学数据集和后训练配方打包在一起,目标是让研究者能自己搭出面向科学发现的专用智能体。
![]()
这套东西的定位很明确:模型负责推理科学问题,再调用专业研究工具干活。研究者用领域数据做后训练,就能把模型改造成化学实验、蛋白质设计这类专门任务的执行者。
数据集是这次发布里最实在的一块。随 Nemotron for Science 一起放出的LitmusBench v0.2,包含近50,000道题目,用于训练和评估语言模型的化学推理能力。题目取材于分子性质和实验药物发现数据,帮研究者提升模型预测分子行为的能力,包括溶解度以及人体如何代谢这些分子。
已经有三家生命科学公司在用并定制 Nemotron 3.5 Super VL:Lila Sciences、Terray Therapeutics 和 Therna。用途覆盖提取化学知识、规划实验、设计疗法和实验室操作流程。Argonne 和于利希超级计算中心这类大型研究中心,也在把它集成进药物与科学发现智能体。
英伟达超大规模与高性能计算副总裁 Ian Buck 的说法是:“加速计算正在改变科学家应对全球最复杂挑战的方式。Nemotron for Science 为研究者提供开放模型、科学数据和后训练配方,用来构建能推理科学问题、并使用 CUDA-X 加速工具把想法变成发现的专用智能体。”
后训练之后,模型能到什么程度
研究者可以用领域数据对 Nemotron 开源模型做后训练,再把结果接进智能体工作流:解读科学信息、生成代码、调用计算工具,计算部分走 NVIDIA CUDA-X 加速工具。
几个已经跑出来的结果:
- Terray Therapeutics 用后训练后的 Nemotron 从科学图表中提取反应物、产物和反应条件,在两个基准上超过此前公开的结果。在 RxnScribe 测试上,按该基准的匹配标准,它找回了约76%的标注反应,把已发表的化学发现转成可用于合成规划和科学智能体的结构化数据。
- Lila Sciences 用 Nemotron 为自动化实验室设计可直接执行的实验流程,在不额外微调的情况下达到前沿水平。用实验室反馈做后训练后,模型制备量子点(用于屏幕和太阳能电池的纳米晶体)的准确率几乎翻倍,达到61%,超过 GPT-6 Astra 的54%,推理成本低10-20 倍
- Therna 与英伟达合作,对 Nemotron 做面向智能体 mRNA 疗法设计的后训练,预测蛋白表达区间的准确率相比前沿模型几乎翻倍。在96%的对比中,科学家更偏好它的解释而非基础模型的解释。
从桌面到超算中心
研究机构正在不同规模上使用 Nemotron 模型和数据集,从单个研究者的桌面一路铺到实验室和超算中心。按发布方的说法,这套工作帮研究者在整个元素周期表范围内快速设计和评估新分子,有望为关键材料与矿产、国家安全和癌症治疗打开新路径。
Argonne 把 Nemotron 集成进其 StructBioReasoner 多智能体系统,用于设计和评估治疗癌症等疾病的蛋白质类候选疗法。KTH 皇家理工学院基于 Nemotron 搭了一个能自行修复损坏的 GROMACS 分子动力学配置的智能体:在单台 NVIDIA DGX Spark 系统上跑一整夜,开启推理的情况下修复了81%的测试用例,每个修复结果都由 GROMACS 自身独立校验。RIKEN 则通过其推理网关 RiVault,把包括 Nemotron 3.5 Super VL 在内的英伟达 Nemotron 放上了 RIKYU AI 超算平台。
可用性方面,Nemotron 3.5 Super VL 和 LitmusBench v0.2 化学数据集已在 Hugging Face 上线。该模型还针对128GB的 NVIDIA DGX Spark 系统做了本地运行优化。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.