Qu'est-ce que NVIDIA Nemotron for Science ? Des modèles ouverts pour les agents de recherche
La version SC26 de NVIDIA regroupe le modèle ouvert Nemotron 3.5 Super VL, un jeu de données de chimie de 50 000 questions, et des recettes de post-entraînement pour créer des agents IA scientifiques.

NVIDIA vient de présenter Nemotron for Science, une collection ouverte de modèles, de jeux de données et de recettes pour créer des agents IA capables d'effectuer de véritables travaux scientifiques — raisonner sur des problèmes de chimie et de biologie, appeler des outils de recherche et vérifier leurs propres résultats. Annoncé lors de la conférence de supercalcul SC26, il regroupe le modèle ouvert Nemotron 3.5 Super VL avec un nouveau jeu de données de chimie et des guides de post-entraînement. Voici ce qu'il contient, qui l'utilise déjà, et s'il mérite votre attention.
Qu'est-ce que NVIDIA Nemotron for Science ?
NVIDIA Nemotron for Science est un ensemble de ressources IA ouvertes destinées aux agents de recherche scientifique, et non un seul nouveau modèle. NVIDIA l'a présenté lors du SC26 à Chicago le 16 novembre 2026, en réunissant les applications scientifiques de son modèle ouvert Nemotron 3.5 Super VL, un nouveau jeu de données de chimie ouvert, et des recettes de post-entraînement pour aider les chercheurs à créer des agents spécialisés dans la découverte scientifique.
L'idée est de fournir aux chercheurs les éléments nécessaires pour créer des agents capables de planifier des tâches, d'exécuter des simulations, de vérifier les résultats et de s'autocorriger au fil des itérations — plutôt que de simplement discuter de science. La collection comprend quatre parties :
- Nemotron 3.5 Super VL — le modèle de raisonnement multimodal ouvert sur lequel reposent les agents.
- LitmusBench v0.2 — un nouveau jeu de données de chimie ouvert pour entraîner et évaluer les modèles sur le raisonnement chimique.
- Recettes de post-entraînement — des workflows d'apprentissage par renforcement et de distillation pour adapter le modèle à un domaine scientifique spécifique.
- Évaluations scientifiques — des benchmarks pour mesurer si un modèle personnalisé s'est réellement amélioré.
NVIDIA formule l'objectif clairement. « Nemotron for Science donne aux chercheurs des modèles ouverts, des données scientifiques et des recettes de post-entraînement pour créer des agents spécialisés qui raisonnent sur des problèmes scientifiques et utilisent des outils accélérés CUDA-X pour transformer des idées en découvertes », a déclaré Ian Buck, vice-président du calcul haute performance et hyperscale chez NVIDIA.
Le modèle : Nemotron 3.5 Super VL
La base est Nemotron 3.5 Super VL, le modèle multimodal ouvert de NVIDIA à 120 milliards de paramètres qui en active 12 milliards par token. Il combine raisonnement, utilisation d'outils et capacité à lire du texte, des images, des graphiques et des documents de plusieurs pages dans un seul point de contrôle — exactement le type de contenu mixte que l'on trouve dans les articles scientifiques et les registres de laboratoire.
Construit sur Super VL, Nemotron for Science aide les chercheurs à développer des agents qui raisonnent sur des problèmes scientifiques et mettent en œuvre des outils de recherche spécialisés. Grâce au post-entraînement, les scientifiques peuvent adapter le modèle à des tâches spécialisées telles que la réalisation d'expériences de chimie et la conception de protéines.
Le modèle est disponible dès maintenant sur Hugging Face, et NVIDIA indique qu'il a été optimisé pour fonctionner localement sur un système NVIDIA DGX Spark de 128 Go.
LitmusBench v0.2 : le jeu de données de chimie
La nouveauté phare est le jeu de données. LitmusBench v0.2 est un nouveau jeu de données ouvert comprenant près de 50 000 questions pour entraîner et évaluer les modèles de langage sur le raisonnement en chimie. Il s'appuie sur des propriétés moléculaires et des données expérimentales de découverte de médicaments, et vise à aider les chercheurs à améliorer la capacité d'un modèle à prédire le comportement des molécules — notamment leur solubilité et la façon dont le corps humain les métabolise.
Dans les documents techniques de NVIDIA, le même jeu de données est désigné sous le nom de Nemotron Litmus-Bench, et il prend en charge à la fois l'évaluation et le post-entraînement. Ce double rôle est important : les mêmes questions qui évaluent un modèle peuvent également servir à l'entraîner, ce qui permet à un laboratoire d'identifier une faiblesse et de la corriger avec les mêmes données.
Comment fonctionne le post-entraînement
Le véritable atout de Nemotron for Science est la personnalisation. Un modèle généraliste est un point de départ ; les recettes montrent comment le transformer en spécialiste d'un domaine grâce à l'apprentissage par renforcement avec des récompenses vérifiables.
Le guide de post-entraînement de NVIDIA utilise la prédiction du métabolisme des médicaments comme exemple concret. À partir d'une molécule parente et de son enzyme de transformation, le modèle prédit le métabolite résultant. La partie ingénieuse est la récompense : au lieu d'étiquettes de préférence humaine, la vérité terrain expérimentale évalue directement la réponse, en comparant les empreintes moléculaires prédites et de référence à l'aide d'une métrique de similarité. La récompense provient directement des données.
Les gains rapportés sont concrets. Sur cette tâche de métabolisme des médicaments avec un budget de sortie de 16 384 tokens, NVIDIA indique que le fine-tuning supervisé a amélioré la précision de 12 %, et que le post-entraînement par apprentissage par renforcement l'a encore augmentée de 17 %. Une étape optionnelle de « démarrage à chaud » (warm-start) distille des traces de raisonnement à partir d'un modèle enseignant plus puissant — dans l'exemple de NVIDIA, Claude Sonnet 5.5 d'Anthropic — pour accélérer la convergence avant le début de la boucle RL.
Le message pour les équipes : vous n'avez pas besoin d'un modèle frontier pour obtenir des résultats de niveau frontier sur une tâche précise. Il vous faut un bon modèle ouvert, vos propres données expérimentales, et une récompense qui mesure le résultat scientifique qui vous importe vraiment.
Qui l'utilise déjà
Le lancement de NVIDIA s'appuie sur des partenaires et des laboratoires nommés plutôt que sur des benchmarks seuls, ce qui facilite l'évaluation des affirmations :
- Terray Therapeutics a post-entraîné Nemotron pour extraire des réactifs, des produits et des conditions de réaction à partir de diagrammes scientifiques. NVIDIA rapporte qu'il a récupéré environ 76 % des réactions annotées sur le test RxnScribe selon les critères de correspondance du benchmark, dépassant les résultats publiés précédemment sur deux benchmarks.
- Lila Sciences l'a utilisé pour concevoir des protocoles de laboratoire prêts à l'exécution. Le post-entraînement avec des retours de laboratoire a presque doublé la précision pour la fabrication de points quantiques, atteignant 61 %, ce que NVIDIA dit dépasser les 54 % de GPT-6 Astra à un coût d'inférence 10 à 20 fois inférieur.
- Therna a post-entraîné Nemotron pour la conception agentique de thérapeutiques à base d'ARNm, doublant presque la précision de prédiction des plages d'expression des protéines par rapport aux modèles frontier. NVIDIA rapporte que les scientifiques ont préféré ses explications à celles du modèle de base dans 96 % des comparaisons.
- Argonne National Laboratory intègre Nemotron dans son système multi-agents StructBioReasoner pour concevoir et évaluer des candidats thérapeutiques à base de protéines contre le cancer et d'autres maladies.
- KTH Royal Institute of Technology a créé un agent qui répare de manière autonome des configurations GROMACS de dynamique moléculaire défaillantes. NVIDIA indique que lors d'une exécution nocturne sur un seul DGX Spark, l'agent a corrigé 81 % des cas de test avec le raisonnement activé, chaque correction étant vérifiée indépendamment par GROMACS.
Ces chiffres sont rapportés par le fournisseur, spécifiques à des charges de travail particulières, et issus des documents de lancement de NVIDIA — considérez-les comme ce que la pile peut atteindre avec un réglage sur une tâche définie, et non comme des valeurs par défaut garanties. Comme pour tout lancement, traitez ces chiffres comme les propres mesures de NVIDIA jusqu'à ce que des tiers les reproduisent.
Comment cela se compare aux autres initiatives d'« IA scientifique »
Nemotron for Science est une boîte à outils, pas un scientifique abouti. Cela le distingue des systèmes entraînés de bout en bout pour la découverte autonome, comme Neon de Periodic Labs, ou des modèles de fondation spécifiques à un domaine comme le modèle génomique derrière Omnii-1. Le pari de NVIDIA est horizontal : publier un modèle ouvert avec les données et les recettes, et laisser chaque laboratoire construire son propre spécialiste.
C'est une différence significative en pratique. Vous possédez les poids, conservez vos données sur une infrastructure que vous contrôlez, et affinez pour votre tâche exacte. Le compromis est familier dans le reste de la gamme Nemotron — l'histoire d'efficacité et de déploiement repose fortement sur le matériel NVIDIA, d'un seul DGX Spark sur un bureau jusqu'aux centres de supercalcul.
Devriez-vous y prêter attention ?
Si vous créez des agents de recherche ou d'automatisation de laboratoire et disposez de vos propres données expérimentales, Nemotron for Science mérite un examen approfondi : poids ouverts, un vrai jeu de données de chimie, un chemin de post-entraînement crédible, et des partenaires montrant que cela fonctionne sur des tâches précises. Si vous voulez simplement un chatbot scientifique généraliste, ce n'est pas cela — c'est une infrastructure pour créer des agents spécialisés, et elle récompense les équipes prêtes à effectuer du post-entraînement.
Pour en savoir plus sur l'architecture, les benchmarks et la licence du modèle de base, consultez notre analyse complète de Nemotron 3.5 Super VL. NVIDIA a partagé le lancement pour la première fois dans un post sur X.
Créez vos propres agents scientifiques avec une équipe IA
Nemotron for Science illustre le schéma : un agent qui planifie une tâche, appelle de vrais outils, vérifie ses propres résultats et itère. Eigent est une application de bureau Cowork open source qui orchestre exactement ces workflows multi-agents en local — confiez à une équipe d'agents vos propres documents, données et outils, et laissez-les exécuter des travaux en plusieurs étapes sur une infrastructure que vous contrôlez. Découvrez comment il gère les workflows de révision de documents volumineux, ou téléchargez Eigent pour créer votre propre équipe d'agents.
Recent Posts

Notes de version d’Eigent v1.0.8 : nouvel accueil, recherche globale et conversations plus claires
Eigent v1.0.8 repense l’accueil et la zone de saisie, ajoute la recherche dans tous les espaces et affiche par défaut un fil chronologique pour suivre le travail de l’agent.

GPT-6.2 Astra et Sol : Nouveautés, Tarifs et Benchmarks
GPT-6.2 Astra et Sol sont les nouveaux modèles d'OpenAI pour ChatGPT Work, Codex et l'API. Découvrez les changements, les tarifs, les benchmarks et lequel utiliser.

Claude Fable 5.2 et Mythos 5.2 : Nouveautés expliquées
Claude Fable 5.2 et Mythos 5.2 expliqués : tarification réduite à 8 $/40 $ par million de tokens, sorties jusqu'à 30 % plus rapides, nouveaux benchmarks, et qui peut accéder à chaque niveau.




