Was ist NVIDIA Nemotron for Science? Offene Modelle für Forschungsagenten
NVIDIAs SC26-Veröffentlichung bündelt das offene Nemotron 3.5 Super VL Modell, einen 50.000-Fragen-Chemiedatensatz und Post-Training-Rezepte für den Aufbau wissenschaftlicher KI-Agenten.

NVIDIA hat soeben Nemotron for Science vorgestellt – eine offene Sammlung von Modellen, Datensätzen und Rezepten für den Aufbau von KI-Agenten, die echte wissenschaftliche Arbeit leisten: Reasoning durch Chemie- und Biologieprobleme, Aufruf von Forschungswerkzeugen und Überprüfung eigener Ergebnisse. Auf der Supercomputing-Konferenz SC26 angekündigt, bündelt es das offene Nemotron 3.5 Super VL Modell mit einem neuen Chemiedatensatz und Post-Training-Anleitungen. Hier erfahren Sie, was enthalten ist, wer es bereits nutzt und ob es Ihre Aufmerksamkeit verdient.
Was ist NVIDIA Nemotron for Science?
NVIDIA Nemotron for Science ist ein Paket offener KI-Ressourcen für wissenschaftliche Forschungsagenten – kein einzelnes neues Modell. NVIDIA stellte es am 16. November 2026 auf der SC26 in Chicago vor und vereint wissenschaftliche Anwendungen seines offenen Nemotron 3.5 Super VL Modells, einen neuen offenen Chemiedatensatz sowie Post-Training-Rezepte, die Forschern beim Aufbau spezialisierter Agenten für wissenschaftliche Entdeckungen helfen.
Die Idee ist, Forschern die Bausteine zu liefern, um Agenten zu entwickeln, die Aufgaben planen, Simulationen ausführen, Ergebnisse prüfen und sich über Iterationen hinweg selbst korrigieren können – anstatt nur über Wissenschaft zu diskutieren. Die Sammlung besteht aus vier Teilen:
- Nemotron 3.5 Super VL — das offene, multimodale Reasoning-Modell, auf dem die Agenten aufgebaut sind.
- LitmusBench v0.2 — ein neuer offener Chemiedatensatz zum Training und zur Evaluierung von Modellen im Bereich chemisches Reasoning.
- Post-Training-Rezepte — Reinforcement-Learning- und Distillations-Workflows zur Anpassung des Modells an eine spezifische wissenschaftliche Domäne.
- Wissenschaftliche Evaluierungen — Benchmarks zur Messung, ob ein angepasstes Modell tatsächlich Verbesserungen erzielt hat.
NVIDIA formuliert das Ziel klar: „Nemotron for Science gibt Forschern offene Modelle, wissenschaftliche Daten und Post-Training-Rezepte, um spezialisierte Agenten zu entwickeln, die wissenschaftliche Probleme durchdenken und CUDA-X-beschleunigte Werkzeuge nutzen, um Ideen in Entdeckungen zu verwandeln", sagte Ian Buck, NVIDIAs Vice President of Hyperscale and High-Performance Computing.
Das Modell: Nemotron 3.5 Super VL
Die Grundlage bildet Nemotron 3.5 Super VL, NVIDIAs offenes multimodales Modell mit 120 Milliarden Parametern, das 12 Milliarden Parameter pro Token aktiviert. Es vereint Reasoning, Werkzeugnutzung und die Fähigkeit, Text, Bilder, Diagramme und mehrseitige Dokumente in einem einzigen Checkpoint zu verarbeiten – genau die Art von gemischtem Material, aus dem wissenschaftliche Publikationen und Laboraufzeichnungen bestehen.
Aufbauend auf Super VL hilft Nemotron for Science Forschern, Agenten zu entwickeln, die wissenschaftliche Probleme durchdenken und spezialisierte Forschungswerkzeuge einsetzen. Durch Post-Training können Wissenschaftler das Modell für spezialisierte Aufgaben wie die Durchführung von Chemieexperimenten und das Proteindesign anpassen.
Das Modell ist jetzt auf Hugging Face verfügbar, und NVIDIA gibt an, es sei für den lokalen Betrieb auf einem 128-GB-NVIDIA-DGX-Spark-System optimiert worden.
LitmusBench v0.2: der Chemiedatensatz
Das wichtigste neue Element ist der Datensatz. LitmusBench v0.2 ist ein neuer offener Datensatz mit knapp 50.000 Fragen zum Training und zur Evaluierung von Sprachmodellen im Bereich chemisches Reasoning. Er basiert auf molekularen Eigenschaften und experimentellen Wirkstoffforschungsdaten und soll Forschern helfen, die Fähigkeit eines Modells zu verbessern, das Verhalten von Molekülen vorherzusagen – einschließlich ihrer Löslichkeit und ihrer Verarbeitung im menschlichen Körper.
In NVIDIAs technischen Materialien wird derselbe Datensatz als Nemotron Litmus-Bench bezeichnet und unterstützt sowohl die Evaluierung als auch das Post-Training. Diese Doppelrolle ist bedeutsam: Dieselben Fragen, die ein Modell bewerten, können auch zum Training verwendet werden, sodass ein Labor eine Schwäche messen und sie dann mit denselben Daten beheben kann.
Wie Post-Training funktioniert
Das eigentliche Versprechen von Nemotron for Science ist die Anpassbarkeit. Ein allgemeines Modell ist ein Ausgangspunkt; die Rezepte zeigen, wie man es mithilfe von Reinforcement Learning mit verifizierbaren Belohnungen in einen Domänenspezialisten verwandelt.
NVIDIAs Post-Training-Anleitung verwendet die Vorhersage des Arzneimittelstoffwechsels als Arbeitsbeispiel. Gegeben ein Ausgangsmolekül und sein transformierendes Enzym, sagt das Modell den resultierenden Metaboliten voraus. Das Clevere ist die Belohnung: Anstelle menschlicher Präferenzlabels bewertet die experimentelle Grundwahrheit die Antwort direkt, indem die vorhergesagten und referenzierten molekularen Fingerabdrücke mit einer Ähnlichkeitsmetrik verglichen werden. Die Belohnung kommt direkt aus den Daten.
Die berichteten Verbesserungen sind konkret. Bei dieser Arzneimittelstoffwechsel-Aufgabe mit einem 16.384-Token-Ausgabebudget gibt NVIDIA an, dass Supervised Fine-Tuning die Genauigkeit um 12 % verbesserte und Reinforcement-Learning-Post-Training sie um weitere 17 % steigerte. Ein optionaler „Warm-Start"-Schritt destilliert Reasoning-Traces aus einem stärkeren Lehrermodell – in NVIDIAs Beispiel Anthropics Claude Sonnet 5.5 – um die Konvergenz vor Beginn der RL-Schleife zu beschleunigen.
Der Punkt für Teams: Sie brauchen kein Frontier-Modell, um Frontier-Niveau-Ergebnisse bei einer engen Aufgabe zu erzielen. Sie brauchen ein gutes offenes Modell, Ihre eigenen experimentellen Daten und eine Belohnung, die das wissenschaftliche Ergebnis misst, das Ihnen tatsächlich wichtig ist.
Wer es bereits nutzt
NVIDIAs Launch stützt sich auf benannte Partner und Labore statt allein auf Benchmarks, was die Einschätzung der Aussagen erleichtert:
- Terray Therapeutics hat Nemotron post-trainiert, um Reaktanten, Produkte und Reaktionsbedingungen aus wissenschaftlichen Diagrammen zu extrahieren. NVIDIA berichtet, dass dabei etwa 76 % der annotierten Reaktionen im RxnScribe-Test unter den Matching-Kriterien des Benchmarks wiederhergestellt wurden und zuvor veröffentlichte Ergebnisse bei zwei Benchmarks übertroffen wurden.
- Lila Sciences nutzte es zur Entwicklung ausführungsbereiter Laborprotokolle. Post-Training mit Labor-Feedback verdoppelte die Genauigkeit bei der Herstellung von Quantenpunkten nahezu auf 61 %, was NVIDIA zufolge GPT-6 Astras 54 % bei 10–20-fach niedrigeren Inferenzkosten übertrifft.
- Therna hat Nemotron für agentisches mRNA-Therapeutika-Design post-trainiert und dabei die Genauigkeit bei der Vorhersage von Proteinexpressionsranges gegenüber Frontier-Modellen nahezu verdoppelt. NVIDIA berichtet, dass Wissenschaftler seine Erklärungen in 96 % der Vergleiche gegenüber dem Basismodell bevorzugten.
- Argonne National Laboratory integriert Nemotron in sein StructBioReasoner Multi-Agenten-System, um proteinbasierte Therapeutika-Kandidaten für Krebs und andere Krankheiten zu entwerfen und zu evaluieren.
- KTH Royal Institute of Technology hat einen Agenten entwickelt, der fehlerhafte GROMACS-Molekulardynamik-Setups selbstständig repariert. NVIDIA gibt an, dass der Agent in einem nächtlichen Lauf auf einem einzelnen DGX Spark mit aktiviertem Reasoning 81 % der Testfälle behob, wobei jede Korrektur unabhängig von GROMACS überprüft wurde.
Dies sind vom Anbieter gemeldete, workload-spezifische Zahlen aus NVIDIAs Launch-Materialien – lesen Sie sie als das, was der Stack mit Tuning auf einer definierten Aufgabe erreichen kann, nicht als garantierte Standardwerte. Wie bei jedem Launch sollten die Zahlen als NVIDIAs eigene Messungen behandelt werden, bis Dritte sie reproduzieren.
Vergleich mit anderen „KI-Wissenschaftler"-Ansätzen
Nemotron for Science ist ein Toolkit, kein fertiger Wissenschaftler. Das unterscheidet es von Systemen, die End-to-End für autonome Entdeckungen trainiert wurden, wie Periodic Labs' Neon, oder domänenspezifischen Foundation-Modellen wie dem Genomodell hinter Omnii-1. NVIDIAs Wette ist horizontal: ein offenes Modell plus Daten und Rezepte liefern und jedes Labor seinen eigenen Spezialisten aufbauen lassen.
Das ist in der Praxis ein bedeutender Unterschied. Sie besitzen die Gewichte, halten Ihre Daten auf Infrastruktur, die Sie kontrollieren, und optimieren für Ihre genaue Aufgabe. Der Kompromiss ist aus dem Rest der Nemotron-Linie bekannt – die Effizienz- und Serving-Geschichte lehnt sich stark an NVIDIA-Hardware an, von einem einzelnen DGX Spark auf dem Schreibtisch bis hin zu Supercomputing-Zentren.
Sollten Sie sich dafür interessieren?
Wenn Sie Forschungs- oder Laborautomatisierungsagenten entwickeln und über eigene experimentelle Daten verfügen, ist Nemotron for Science einen genauen Blick wert: offene Gewichte, ein echter Chemiedatensatz, ein glaubwürdiger Post-Training-Pfad und Partner, die zeigen, dass es bei engen Aufgaben funktioniert. Wenn Sie nur einen allgemeinen Wissenschafts-Chatbot möchten, ist das nicht das Richtige – es ist Infrastruktur für den Aufbau spezialisierter Agenten und belohnt Teams, die bereit sind, Post-Training durchzuführen.
Für Kontext zur Architektur, den Benchmarks und der Lizenzierung des Basismodells lesen Sie unsere vollständige Analyse von Nemotron 3.5 Super VL. NVIDIA teilte den Launch erstmals in einem Beitrag auf X mit.
Bauen Sie Ihre eigenen Wissenschaftsagenten mit einer KI-Belegschaft
Nemotron for Science zeigt das Muster: ein Agent, der eine Aufgabe plant, echte Werkzeuge aufruft, seine eigene Ausgabe prüft und iteriert. Eigent ist eine Open-Source-Cowork-Desktop-App, die genau diese Multi-Agenten-Workflows lokal orchestriert – richten Sie ein Team von Agenten auf Ihre eigenen Dokumente, Daten und Werkzeuge aus und lassen Sie sie mehrstufige Arbeit auf Infrastruktur ausführen, die Sie kontrollieren. Sehen Sie, wie es dokumentenintensive Review-Workflows handhabt, oder laden Sie Eigent herunter, um Ihr eigenes Agentensteam aufzubauen.
Recent Posts

Eigent v1.0.8: Neue Startseite, globale Suche und übersichtlichere Unterhaltungen
Eigent v1.0.8 bringt eine neue Startseite, Space-übergreifende Suche und ein neues Eingabefeld. Die standardmäßige Chat-Zeitleiste macht Agentenarbeit nachvollziehbar.

GPT-6.2 Astra und Sol: Neuigkeiten, Preise und Benchmarks
GPT-6.2 Astra und Sol sind OpenAIs neueste Modelle für ChatGPT Work, Codex und die API. Hier erfahren Sie, was sich geändert hat, die Preise, die Benchmarks und welches Modell Sie verwenden sollten.

Claude Fable 5.2 und Mythos 5.2: Was ist neu, erklärt
Claude Fable 5.2 und Mythos 5.2 erklärt: günstigere Preise bei $8/$40 pro Million Tokens, bis zu 30 % schnellere Ausgabe, neue Benchmarks und wer auf welche Stufe zugreifen kann.




