ما هو NVIDIA Nemotron للعلوم؟ نماذج مفتوحة لوكلاء البحث العلمي
يجمع إصدار SC26 من NVIDIA نموذج Nemotron 3.5 Super VL المفتوح، ومجموعة بيانات كيميائية تضم 50,000 سؤال، ووصفات التدريب اللاحق لبناء وكلاء الذكاء الاصطناعي العلمي.

أطلقت NVIDIA للتو Nemotron للعلوم، وهي مجموعة مفتوحة من النماذج ومجموعات البيانات والوصفات لبناء وكلاء الذكاء الاصطناعي القادرين على إنجاز عمل علمي حقيقي — من التفكير في مسائل الكيمياء والأحياء، إلى استدعاء أدوات البحث، والتحقق من نتائجهم الخاصة. أُعلن عنها في مؤتمر SC26 للحوسبة الفائقة، وتجمع نموذج Nemotron 3.5 Super VL المفتوح مع مجموعة بيانات كيميائية جديدة وأدلة التدريب اللاحق. إليك ما تتضمنه، ومن يستخدمها بالفعل، وما إذا كانت تستحق اهتمامك.
ما هو NVIDIA Nemotron للعلوم؟
NVIDIA Nemotron للعلوم هو حزمة من موارد الذكاء الاصطناعي المفتوحة الموجهة لوكلاء البحث العلمي، وليس نموذجاً جديداً واحداً. أطلقته NVIDIA في SC26 بشيكاغو في 16 نوفمبر 2026، جامعةً التطبيقات العلمية لنموذجها المفتوح Nemotron 3.5 Super VL، ومجموعة بيانات كيميائية مفتوحة جديدة، ووصفات التدريب اللاحق لمساعدة الباحثين على بناء وكلاء متخصصة للاكتشاف العلمي.
الفكرة هي تزويد الباحثين بالمكونات اللازمة لبناء وكلاء قادرين على تخطيط المهام، وتشغيل المحاكاة، والتحقق من النتائج، وتصحيح أخطائهم عبر التكرارات — بدلاً من مجرد التحدث عن العلوم. تتكون المجموعة من أربعة أجزاء:
- Nemotron 3.5 Super VL — النموذج المفتوح متعدد الوسائط للتفكير الذي تُبنى عليه الوكلاء.
- LitmusBench v0.2 — مجموعة بيانات كيميائية مفتوحة جديدة لتدريب النماذج وتقييمها على التفكير الكيميائي.
- وصفات التدريب اللاحق — سير عمل التعلم المعزز والتقطير لتكييف النموذج مع مجال علمي محدد.
- التقييمات العلمية — معايير قياس لتحديد ما إذا كان النموذج المخصص قد تحسّن فعلاً.
تُصيغ NVIDIA الهدف بوضوح. قال إيان باك، نائب رئيس NVIDIA للحوسبة الفائقة والأداء العالي: "يمنح Nemotron للعلوم الباحثين نماذج مفتوحة وبيانات علمية ووصفات تدريب لاحق لبناء وكلاء متخصصة تتعامل مع المشكلات العلمية وتستخدم أدوات CUDA-X المتسارعة لتحويل الأفكار إلى اكتشافات."
النموذج: Nemotron 3.5 Super VL
الأساس هو Nemotron 3.5 Super VL، نموذج NVIDIA المفتوح متعدد الوسائط بـ 120 مليار معامل يُفعّل 12 مليار معامل لكل رمز. يجمع بين التفكير، واستخدام الأدوات، والقدرة على قراءة النصوص والصور والمخططات والمستندات متعددة الصفحات في نقطة تفتيش واحدة — وهو بالضبط نوع المواد المختلطة التي تزخر بها الأوراق العلمية وسجلات المختبرات.
بُني على Super VL، يساعد Nemotron للعلوم الباحثين على تطوير وكلاء يتعاملون مع المشكلات العلمية ويوظّفون أدوات البحث المتخصصة. مع التدريب اللاحق، يمكن للعلماء تكييف النموذج مع مهام متخصصة كإجراء تجارب كيميائية وتصميم البروتينات.
النموذج متاح الآن على Hugging Face، وتقول NVIDIA إنه جرى تحسينه للتشغيل محلياً على نظام NVIDIA DGX Spark بسعة 128 جيجابايت.
LitmusBench v0.2: مجموعة البيانات الكيميائية
القطعة الجديدة الأبرز هي البيانات. LitmusBench v0.2 هي مجموعة بيانات مفتوحة جديدة تضم ما يقارب 50,000 سؤال لتدريب نماذج اللغة وتقييمها على التفكير الكيميائي. تستند إلى خصائص الجزيئات وبيانات اكتشاف الأدوية التجريبية، وتهدف إلى مساعدة الباحثين على تحسين قدرة النموذج على التنبؤ بسلوك الجزيئات — بما في ذلك قابليتها للذوبان وطريقة معالجة جسم الإنسان لها.
في المواد التقنية لـ NVIDIA، تُشار إلى مجموعة البيانات ذاتها باسم Nemotron Litmus-Bench، وتدعم كلاً من التقييم والتدريب اللاحق. هذا الدور المزدوج مهم: الأسئلة ذاتها التي تُقيّم النموذج يمكن استخدامها أيضاً لتدريبه، مما يتيح للمختبر قياس نقطة ضعف ثم معالجتها بالبيانات نفسها.
كيف يعمل التدريب اللاحق
الطرح الحقيقي لـ Nemotron للعلوم هو التخصيص. النموذج العام هو نقطة البداية؛ أما الوصفات فتوضح كيفية تحويله إلى متخصص في مجال معين باستخدام التعلم المعزز مع مكافآت قابلة للتحقق.
يستخدم دليل التدريب اللاحق من NVIDIA التنبؤ بأيض الدواء مثالاً عملياً. بالنظر إلى جزيء أصلي وإنزيمه المحوّل، يتنبأ النموذج بالمستقلب الناتج. الجزء الذكي هو المكافأة: بدلاً من تسميات التفضيل البشري، تُسجّل الحقيقة التجريبية الإجابة مباشرةً، من خلال مقارنة بصمات الجزيئات المتنبأ بها والمرجعية بمقياس تشابه. تأتي المكافأة مباشرةً من البيانات.
المكاسب المُبلَّغ عنها ملموسة. في مهمة أيض الدواء هذه بميزانية إخراج تبلغ 16,384 رمزاً، تقول NVIDIA إن الضبط الدقيق الخاضع للإشراف حسّن الدقة بنسبة 12%، ورفعها التدريب اللاحق بالتعلم المعزز بنسبة 17% إضافية. تُقطّر خطوة اختيارية "للبدء الدافئ" مسارات التفكير من نموذج معلم أقوى — في مثال NVIDIA، Claude Sonnet 5.5 من Anthropic — لتسريع التقارب قبل بدء حلقة التعلم المعزز.
النقطة للفرق: لا تحتاج إلى نموذج حدودي للحصول على نتائج على مستوى الحدود في مهمة ضيقة. تحتاج إلى نموذج مفتوح جيد، وبياناتك التجريبية الخاصة، ومكافأة تقيس النتيجة العلمية التي تهتم بها فعلاً.
من يستخدمها بالفعل
يستند إطلاق NVIDIA إلى شركاء ومختبرات مُسمّاة بدلاً من المعايير وحدها، مما يجعل الادعاءات أسهل في التقييم:
- Terray Therapeutics دربت Nemotron لاحقاً لاستخراج المتفاعلات والمنتجات وظروف التفاعل من الرسوم البيانية العلمية. تُفيد NVIDIA بأنه استرجع نحو 76% من التفاعلات المُعلَّمة في اختبار RxnScribe وفق معايير المطابقة الخاصة بالمعيار، متجاوزاً النتائج المنشورة سابقاً على معيارين.
- Lila Sciences استخدمته لتصميم بروتوكولات مختبرية جاهزة للتنفيذ. أدى التدريب اللاحق بتغذية راجعة من المختبر إلى مضاعفة الدقة تقريباً في صنع النقاط الكمية لتصل إلى 61%، وهو ما تقول NVIDIA إنه يتجاوز نسبة GPT-6 Astra البالغة 54% بتكلفة استدلال أقل بـ 10-20 مرة.
- Therna دربت Nemotron لاحقاً للتصميم الوكيلي للعلاجات بالـ mRNA، مما أدى إلى مضاعفة الدقة تقريباً في التنبؤ بنطاقات التعبير البروتيني مقارنةً بالنماذج الحدودية. تُفيد NVIDIA بأن العلماء فضّلوا تفسيراته على النموذج الأساسي في 96% من المقارنات.
- مختبر أرغون الوطني يدمج Nemotron في نظامه متعدد الوكلاء StructBioReasoner لتصميم وتقييم المرشحين العلاجيين القائمين على البروتين لمرض السرطان وأمراض أخرى.
- معهد KTH الملكي للتكنولوجيا بنى وكيلاً يُصلح إعدادات ديناميكيات جزيئية GROMACS المعطوبة من تلقاء نفسه. تقول NVIDIA إنه في تشغيل ليلي واحد على DGX Spark واحد، أصلح الوكيل 81% من حالات الاختبار مع تفعيل التفكير، مع التحقق المستقل من كل إصلاح بواسطة GROMACS.
هذه أرقام مُبلَّغ عنها من البائع، خاصة بأعباء عمل محددة من مواد إطلاق NVIDIA — اقرأها باعتبارها ما يمكن أن تصله المنظومة مع الضبط على مهمة محددة، وليست إعدادات افتراضية مضمونة. كما هو الحال مع أي إطلاق، تعامل مع الأرقام باعتبارها قياسات NVIDIA الخاصة حتى يُعيد أطراف ثالثة إنتاجها.
كيف تقارن بجهود "عالم الذكاء الاصطناعي" الأخرى
Nemotron للعلوم هو مجموعة أدوات، وليس عالماً منتهياً. هذا يميزه عن الأنظمة المدربة من البداية للنهاية للاكتشاف المستقل، مثل Neon من Periodic Labs، أو النماذج الأساسية الخاصة بمجال معين كنموذج الجينوم وراء Omnii-1. رهان NVIDIA أفقي: شحن نموذج مفتوح مع البيانات والوصفات، والسماح لكل مختبر ببناء متخصصه الخاص.
هذا فرق ذو معنى في الممارسة. أنت تمتلك الأوزان، وتحتفظ ببياناتك على البنية التحتية التي تتحكم بها، وتضبط لمهمتك الدقيقة. المقايضة مألوفة من بقية خط Nemotron — تعتمد قصة الكفاءة والخدمة اعتماداً كبيراً على أجهزة NVIDIA، من DGX Spark واحد على مكتب وصولاً إلى مراكز الحوسبة الفائقة.
هل يستحق اهتمامك؟
إذا كنت تبني وكلاء للبحث أو أتمتة المختبرات ولديك بياناتك التجريبية الخاصة، فإن Nemotron للعلوم يستحق نظرة فاحصة: أوزان مفتوحة، ومجموعة بيانات كيميائية حقيقية، ومسار تدريب لاحق موثوق، وشركاء يُثبتون نجاحه في مهام ضيقة. إذا كنت تريد فقط روبوت محادثة علمياً عاماً، فهذا ليس ما تجده هنا — إنه بنية تحتية لبناء وكلاء متخصصة، ويكافئ الفرق المستعدة للتدريب اللاحق.
للاطلاع على معمارية النموذج الأساسي ومعايير القياس والترخيص، راجع تحليلنا الكامل لـ Nemotron 3.5 Super VL. شاركت NVIDIA الإطلاق لأول مرة في منشور على X.
ابنِ وكلاء علمك الخاصة مع قوى عمل الذكاء الاصطناعي
يُظهر Nemotron للعلوم النمط: وكيل يخطط مهمة، ويستدعي أدوات حقيقية، ويتحقق من مخرجاته، ويكرر. Eigent هو تطبيق سطح مكتب Cowork مفتوح المصدر يُنسّق بالضبط تلك سير عمل متعددة الوكلاء محلياً — وجّه فريقاً من الوكلاء نحو مستنداتك وبياناتك وأدواتك الخاصة ودعهم ينجزون عملاً متعدد الخطوات على بنية تحتية تتحكم بها. اطّلع على كيفية تعامله مع سير عمل المراجعة الكثيفة بالمستندات، أو نزّل Eigent لبناء فريق وكلائك الخاص.
Recent Posts

ملاحظات إصدار Eigent v1.0.8 — صفحة رئيسية جديدة وبحث شامل ومحادثات أوضح
يقدّم Eigent v1.0.8 صفحة رئيسية بتصميم جديد وبحثًا عبر المساحات وحقلًا جديدًا للرسائل، ويعرض التسلسل الزمني للمحادثة افتراضيًا لتسهيل متابعة عمل الوكيل.

GPT-6.2 Astra وSol: الجديد والأسعار والمعايير
GPT-6.2 Astra وSol هما أحدث نماذج OpenAI لـ ChatGPT Work وCodex وواجهة برمجة التطبيقات. إليك ما تغيّر والأسعار والمعايير وأيهما تستخدم.

Claude Fable 5.2 و Mythos 5.2: ما الجديد، شرح مفصّل
شرح Claude Fable 5.2 و Mythos 5.2: أسعار أقل بـ 8/40 دولار لكل مليون رمز، سرعة إخراج أعلى بنسبة تصل إلى 30%، معايير أداء جديدة، ومن يمكنه الوصول إلى كل مستوى.




