¿Qué es NVIDIA Nemotron for Science? Modelos abiertos para agentes de investigación
La versión SC26 de NVIDIA incluye el modelo abierto Nemotron 3.5 Super VL, un conjunto de datos de química con 50.000 preguntas y recetas de post-entrenamiento para construir agentes de IA científicos.

NVIDIA acaba de presentar Nemotron for Science, una colección abierta de modelos, conjuntos de datos y recetas para construir agentes de IA que realizan trabajo científico real: razonan sobre problemas de química y biología, utilizan herramientas de investigación y verifican sus propios resultados. Anunciado en la conferencia de supercomputación SC26, combina el modelo abierto Nemotron 3.5 Super VL con un nuevo conjunto de datos de química y guías de post-entrenamiento. Esto es lo que incluye, quién ya lo está usando y si vale la pena prestarle atención.
¿Qué es NVIDIA Nemotron for Science?
NVIDIA Nemotron for Science es un conjunto de recursos de IA abiertos orientados a agentes de investigación científica, no un único modelo nuevo. NVIDIA lo presentó en SC26 en Chicago el 16 de noviembre de 2026, reuniendo aplicaciones científicas de su modelo abierto Nemotron 3.5 Super VL, un nuevo conjunto de datos de química abierto y recetas de post-entrenamiento para ayudar a los investigadores a construir agentes especializados para el descubrimiento científico.
La idea es proporcionar a los investigadores los componentes necesarios para construir agentes capaces de planificar tareas, ejecutar simulaciones, verificar resultados y autocorregirse a lo largo de iteraciones, en lugar de simplemente conversar sobre ciencia. La colección tiene cuatro partes:
- Nemotron 3.5 Super VL — el modelo de razonamiento multimodal abierto sobre el que se construyen los agentes.
- LitmusBench v0.2 — un nuevo conjunto de datos de química abierto para entrenar y evaluar modelos en razonamiento químico.
- Recetas de post-entrenamiento — flujos de trabajo de aprendizaje por refuerzo (reinforcement learning) y destilación para adaptar el modelo a un dominio científico específico.
- Evaluaciones científicas — benchmarks (puntos de referencia) para medir si un modelo personalizado realmente mejoró.
NVIDIA expresa el objetivo con claridad. "Nemotron for Science ofrece a los investigadores modelos abiertos, datos científicos y recetas de post-entrenamiento para construir agentes especializados que razonan sobre problemas científicos y utilizan herramientas aceleradas por CUDA-X para convertir ideas en descubrimientos", afirmó Ian Buck, vicepresidente de computación de alto rendimiento e hiperescala de NVIDIA.
El modelo: Nemotron 3.5 Super VL
La base es Nemotron 3.5 Super VL, el modelo multimodal abierto de NVIDIA con 120 mil millones de parámetros que activa 12B parámetros por token. Combina razonamiento, uso de herramientas y la capacidad de leer texto, imágenes, gráficos y documentos de varias páginas en un único checkpoint (punto de control), exactamente el tipo de material mixto del que están llenos los artículos científicos y los registros de laboratorio.
Construido sobre Super VL, Nemotron for Science ayuda a los investigadores a desarrollar agentes que razonan sobre problemas científicos y ponen a trabajar herramientas de investigación especializadas. Con el post-entrenamiento, los científicos pueden adaptar el modelo a tareas especializadas como la ejecución de experimentos de química y el diseño de proteínas.
El modelo está disponible ahora en Hugging Face, y NVIDIA indica que fue optimizado para ejecutarse localmente en un sistema NVIDIA DGX Spark de 128 GB.
LitmusBench v0.2: el conjunto de datos de química
La novedad más destacada es el conjunto de datos. LitmusBench v0.2 es un nuevo conjunto de datos abierto con casi 50.000 preguntas para entrenar y evaluar modelos de lenguaje en razonamiento químico. Se basa en propiedades moleculares y datos experimentales de descubrimiento de fármacos, y está diseñado para ayudar a los investigadores a mejorar la capacidad de un modelo para predecir el comportamiento de las moléculas, incluida su solubilidad y cómo las procesa el cuerpo humano.
En los materiales técnicos de NVIDIA, el mismo conjunto de datos se denomina Nemotron Litmus-Bench, y admite tanto la evaluación como el post-entrenamiento. Ese doble papel es importante: las mismas preguntas que califican a un modelo también pueden usarse para entrenarlo, de modo que un laboratorio puede identificar una debilidad y luego corregirla con los mismos datos.
Cómo funciona el post-entrenamiento
La propuesta central de Nemotron for Science es la personalización. Un modelo general es un punto de partida; las recetas muestran cómo convertirlo en un especialista de dominio mediante aprendizaje por refuerzo con recompensas verificables.
El tutorial de post-entrenamiento de NVIDIA utiliza la predicción del metabolismo de fármacos como ejemplo práctico. Dada una molécula precursora y su enzima transformadora, el modelo predice el metabolito resultante. La parte ingeniosa es la recompensa: en lugar de etiquetas de preferencia humana, la verdad experimental puntúa la respuesta directamente, comparando las huellas moleculares predichas y de referencia con una métrica de similitud. La recompensa proviene directamente de los datos.
Las mejoras reportadas son concretas. En esa tarea de metabolismo de fármacos con un presupuesto de salida de 16.384 tokens, NVIDIA indica que el ajuste fino supervisado mejoró la precisión en un 12%, y el post-entrenamiento con aprendizaje por refuerzo la elevó un 17% adicional. Un paso opcional de "arranque en caliente" (warm-start) destila trazas de razonamiento de un modelo maestro más potente —en el ejemplo de NVIDIA, Claude Sonnet 5.5 de Anthropic— para acelerar la convergencia antes de que comience el ciclo de RL.
El mensaje para los equipos: no se necesita un modelo de frontera para obtener resultados de nivel frontera en una tarea específica. Se necesita un buen modelo abierto, los propios datos experimentales y una recompensa que mida el resultado científico que realmente importa.
Quién ya lo está usando
El lanzamiento de NVIDIA se apoya en socios y laboratorios con nombre propio más que solo en benchmarks, lo que facilita evaluar las afirmaciones:
- Terray Therapeutics realizó post-entrenamiento de Nemotron para extraer reactivos, productos y condiciones de reacción de diagramas científicos. NVIDIA reporta que recuperó aproximadamente el 76% de las reacciones anotadas en la prueba RxnScribe bajo los criterios de coincidencia del benchmark, superando resultados publicados anteriormente en dos benchmarks.
- Lila Sciences lo utilizó para diseñar protocolos de laboratorio listos para ejecutar. El post-entrenamiento con retroalimentación de laboratorio casi duplicó la precisión para la fabricación de puntos cuánticos (quantum dots) hasta el 61%, lo que según NVIDIA supera el 54% de GPT-6 Astra con un coste de inferencia entre 10 y 20 veces menor.
- Therna realizó post-entrenamiento de Nemotron para el diseño agéntico de terapéuticos de ARNm, casi duplicando la precisión en la predicción de rangos de expresión proteica respecto a modelos de frontera. NVIDIA reporta que los científicos prefirieron sus explicaciones sobre el modelo base en el 96% de las comparaciones.
- Argonne National Laboratory está integrando Nemotron en su sistema multiagente StructBioReasoner para diseñar y evaluar candidatos terapéuticos basados en proteínas para el cáncer y otras enfermedades.
- KTH Royal Institute of Technology construyó un agente que repara por sí solo configuraciones rotas de dinámica molecular en GROMACS. NVIDIA indica que en una ejecución nocturna en un único DGX Spark, el agente corrigió el 81% de los casos de prueba con el razonamiento activado, y cada corrección fue verificada de forma independiente por GROMACS.
Estas son cifras reportadas por el proveedor, específicas para cada carga de trabajo, procedentes de los materiales de lanzamiento de NVIDIA; léalas como lo que el conjunto puede alcanzar con ajuste en una tarea definida, no como valores predeterminados garantizados. Como con cualquier lanzamiento, trate las cifras como mediciones propias de NVIDIA hasta que terceros las reproduzcan.
Cómo se compara con otros esfuerzos de "científico de IA"
Nemotron for Science es un conjunto de herramientas, no un científico terminado. Eso lo distingue de sistemas entrenados de extremo a extremo para el descubrimiento autónomo, como Neon de Periodic Labs, o de modelos fundacionales específicos de dominio como el modelo genómico detrás de Omnii-1. La apuesta de NVIDIA es horizontal: publicar un modelo abierto junto con los datos y las recetas, y dejar que cada laboratorio construya su propio especialista.
Esa es una diferencia significativa en la práctica. Usted es propietario de los pesos, mantiene sus datos en la infraestructura que controla y ajusta para su tarea exacta. La contrapartida es familiar en el resto de la línea Nemotron: la historia de eficiencia y servicio depende en gran medida del hardware de NVIDIA, desde un único DGX Spark en un escritorio hasta centros de supercomputación.
¿Debería importarle?
Si construye agentes de investigación o automatización de laboratorio y tiene sus propios datos experimentales, Nemotron for Science merece una mirada detallada: pesos abiertos, un conjunto de datos de química real, una ruta de post-entrenamiento creíble y socios que demuestran que funciona en tareas específicas. Si solo quiere un chatbot de ciencia general, esto no es eso: es infraestructura para construir agentes especializados, y recompensa a los equipos dispuestos a realizar post-entrenamiento.
Para contexto sobre la arquitectura del modelo base, benchmarks y licencias, consulte nuestro análisis completo de Nemotron 3.5 Super VL. NVIDIA compartió el lanzamiento por primera vez en una publicación en X.
Construya sus propios agentes científicos con una fuerza de trabajo de IA
Nemotron for Science muestra el patrón: un agente que planifica una tarea, llama a herramientas reales, verifica su propio resultado e itera. Eigent es una aplicación de escritorio Cowork de código abierto que orquesta exactamente esos flujos de trabajo multiagente de forma local: apunte a un equipo de agentes hacia sus propios documentos, datos y herramientas y deje que ejecuten trabajo de múltiples pasos en la infraestructura que usted controla. Vea cómo gestiona flujos de trabajo de revisión con gran cantidad de documentos, o descargue Eigent para construir su propio equipo de agentes.
Recent Posts

Notas de la versión de Eigent v1.0.8 — Nuevo inicio, búsqueda global y conversaciones más claras
Eigent v1.0.8 renueva el inicio y el cuadro de mensajes, añade búsqueda entre espacios y muestra por defecto una cronología para seguir lo que hace el agente.

GPT-6.2 Astra y Sol: Novedades, Precios y Benchmarks
GPT-6.2 Astra y Sol son los modelos más recientes de OpenAI para ChatGPT Work, Codex y la API. Descubre qué cambió, los precios, los benchmarks y cuál usar.

Claude Fable 5.2 y Mythos 5.2: Novedades Explicadas
Claude Fable 5.2 y Mythos 5.2 explicados: precios reducidos a $8/$40 por millón de tokens, salida hasta un 30% más rápida, nuevos benchmarks y quién puede acceder a cada nivel.




