NVIDIA Nemotron for Scienceとは?研究エージェント向けオープンモデル
NVIDIAのSC26リリースは、オープンなNemotron 3.5 Super VLモデル、5万問の化学データセット、科学的AIエージェント構築のためのポストトレーニングレシピをまとめたパッケージです。

NVIDIAはNemotron for Scienceを発表しました。これは、化学・生物学の問題を推論し、研究ツールを呼び出し、自らの結果を検証するなど、実際の科学的作業を行うAIエージェントを構築するためのモデル、データセット、レシピのオープンコレクションです。SC26スーパーコンピューティングカンファレンスで発表されたこのパッケージは、オープンなNemotron 3.5 Super VLモデルと新しい化学データセット、ポストトレーニングガイドを組み合わせています。その内容、すでに活用している組織、そして注目すべき理由を解説します。
NVIDIA Nemotron for Scienceとは?
NVIDIA Nemotron for Scienceは、単一の新モデルではなく、科学研究エージェントを対象としたオープンAIリソースのバンドルです。NVIDIAは2026年11月16日にシカゴで開催されたSC26でこれを発表し、Nemotron 3.5 Super VLオープンモデルの科学的応用、新しいオープン化学データセット、そして科学的発見のための専門エージェント構築を支援するポストトレーニングレシピをまとめました。
目的は、単に科学について会話するだけでなく、タスクを計画し、シミュレーションを実行し、結果を確認し、反復的に自己修正できるエージェントを構築するためのパーツを研究者に提供することです。このコレクションは4つの要素で構成されています:
- Nemotron 3.5 Super VL — エージェントの基盤となるオープンなマルチモーダル推論モデル。
- LitmusBench v0.2 — 化学的推論に関するモデルのトレーニングと評価のための新しいオープン化学データセット。
- ポストトレーニングレシピ — モデルを特定の科学領域に適応させるための強化学習と蒸留ワークフロー。
- 科学的評価 — カスタマイズされたモデルが実際に改善されたかどうかを測定するベンチマーク。
NVIDIAはその目標を明確に述べています。「Nemotron for Scienceは、科学的問題を推論し、CUDA-Xアクセラレーテッドツールを使ってアイデアを発見に変える専門エージェントを構築するためのオープンモデル、科学データ、ポストトレーニングレシピを研究者に提供します」と、NVIDIAのハイパースケール・ハイパフォーマンスコンピューティング担当バイスプレジデントのIan Buck氏は述べています。
モデル:Nemotron 3.5 Super VL
基盤となるのはNemotron 3.5 Super VLです。これはNVIDIAのオープンな1,200億パラメータのマルチモーダルモデルで、トークンごとに120億パラメータを活性化します。推論、ツール使用、テキスト・画像・グラフ・複数ページのドキュメントを単一のチェックポイントで読み取る能力を組み合わせており、科学論文や実験記録に含まれる混在した素材を扱うのに最適です。
Super VL上に構築されたNemotron for Scienceは、科学的問題を推論し、専門的な研究ツールを活用するエージェントの開発を研究者が支援します。ポストトレーニングにより、科学者は化学実験の実行やタンパク質設計などの専門タスクにモデルを適応させることができます。
このモデルはHugging Faceで現在利用可能であり、NVIDIAは128GB NVIDIA DGX Sparkシステム上でローカル実行できるよう最適化されたと述べています。
LitmusBench v0.2:化学データセット
注目の新要素はデータです。LitmusBench v0.2は、化学的推論に関する言語モデルのトレーニングと評価のための約5万問を収録した新しいオープンデータセットです。分子特性と実験的な創薬データを基にしており、分子の溶解度や人体での代謝など、分子の挙動を予測するモデルの能力向上を支援することを目的としています。
NVIDIAの技術資料では、同じデータセットがNemotron Litmus-Benchとも呼ばれており、評価とポストトレーニングの両方をサポートしています。この二重の役割は重要です。モデルを評価するための問題がトレーニングにも使用できるため、研究室は弱点を測定し、同じデータでそれを改善することができます。
ポストトレーニングの仕組み
Nemotron for Scienceの真の価値はカスタマイズにあります。汎用モデルは出発点に過ぎず、レシピは検証可能な報酬を用いた強化学習によってドメイン専門家に変える方法を示しています。
NVIDIAのポストトレーニングウォークスルーでは、薬物代謝予測を実例として使用しています。親分子とその変換酵素が与えられると、モデルは生成される代謝物を予測します。巧妙な点は報酬にあります。人間の好みラベルの代わりに、実験的な正解が予測された分子フィンガープリントと参照分子フィンガープリントを類似度指標で比較することで、直接答えを採点します。報酬はデータから直接得られます。
報告された改善は具体的です。16,384トークンの出力バジェットでの薬物代謝タスクにおいて、NVIDIAは教師あり微調整で精度が12%向上し、強化学習ポストトレーニングでさらに17%向上したと述べています。オプションの「ウォームスタート」ステップは、より強力な教師モデル(NVIDIAの例ではAnthropicのClaude Sonnet 5.5)から推論トレースを蒸留し、RLループが始まる前の収束を加速します。
チームへのメッセージ:狭いタスクでフロンティアレベルの結果を得るためにフロンティアモデルは必要ありません。必要なのは、優れたオープンモデル、自分たちの実験データ、そして実際に重要な科学的成果を測定する報酬です。
すでに活用している組織
NVIDIAのローンチは、ベンチマークだけでなく、具体的なパートナーや研究室を前面に出しており、主張の信頼性を判断しやすくなっています:
- Terray TherapeuticsはNemotronをポストトレーニングし、科学的図表から反応物、生成物、反応条件を抽出しました。NVIDIAによると、ベンチマークのマッチング基準の下でRxnScribeテストにおいてアノテーションされた反応の約76%を回収し、2つのベンチマークで以前に公開された結果を上回ったとのことです。
- Lila Sciencesはこれを使用して実行可能な実験プロトコルを設計しました。実験フィードバックによるポストトレーニングにより、量子ドット作製の精度がほぼ2倍の61%となり、NVIDIAはGPT-6 Astraの54%を10〜20倍低い推論コストで上回ったと述べています。
- ThernaはmRNA治療薬のアジェンティックデザインのためにNemotronをポストトレーニングし、フロンティアモデルと比較してタンパク質発現範囲の予測精度をほぼ2倍にしました。NVIDIAは、科学者の96%の比較でベースモデルよりもその説明を好んだと報告しています。
- アルゴンヌ国立研究所は、がんやその他の疾患に対するタンパク質ベースの治療候補を設計・評価するために、NemotronをStructBioReasonerマルチエージェントシステムに統合しています。
- KTH王立工科大学は、壊れたGROMACS分子動力学セットアップを自律的に修復するエージェントを構築しました。NVIDIAによると、単一のDGX Sparkでの一晩の実行で、推論を有効にしたエージェントはテストケースの81%を修正し、すべての修正はGROMACSによって独立して検証されたとのことです。
これらはNVIDIAのローンチ資料からのベンダー報告による、ワークロード固有の数値です。特定のタスクでのチューニングによって達成できる結果として読んでください。保証されたデフォルト値ではありません。どのローンチでも同様に、第三者が再現するまでは、これらの数値はNVIDIA自身の測定値として扱ってください。
他の「AIサイエンティスト」の取り組みとの比較
Nemotron for Scienceはツールキットであり、完成したサイエンティストではありません。これは、Periodic LabsのNeonのような自律的な発見のためにエンドツーエンドでトレーニングされたシステムや、Omnii-1の背後にあるゲノムモデルのようなドメイン固有の基盤モデルとは異なります。NVIDIAの賭けは水平的です。オープンモデルとデータ、レシピを提供し、各研究室が独自の専門家を構築できるようにします。
これは実際には重要な違いです。重みを所有し、管理するインフラ上にデータを保持し、正確なタスクに合わせてチューニングできます。トレードオフはNemotronラインの他の部分と同様です。効率性とサービングの話は、デスク上の単一のDGX Sparkからスーパーコンピューティングセンターまで、NVIDIAハードウェアに大きく依存しています。
注目すべき理由
独自の実験データを持つ研究・ラボ自動化エージェントを構築する場合、Nemotron for Scienceは詳しく検討する価値があります。オープンウェイト、実際の化学データセット、信頼できるポストトレーニングパス、そして狭いタスクで機能することを示すパートナーがいます。汎用的な科学チャットボットが欲しいだけなら、これはそれではありません。専門エージェントを構築するためのインフラであり、ポストトレーニングに取り組むチームに報います。
ベースモデルのアーキテクチャ、ベンチマーク、ライセンスについては、Nemotron 3.5 Super VLの詳細な解説をご覧ください。NVIDIAは最初にローンチをX上の投稿で共有しました。
AIワークフォースで独自の科学エージェントを構築する
Nemotron for Scienceはパターンを示しています。タスクを計画し、実際のツールを呼び出し、自らの出力を確認し、反復するエージェントです。Eigentは、まさにそのようなマルチエージェントワークフローをローカルでオーケストレーションするオープンソースのCoworkデスクトップアプリです。エージェントチームを自分のドキュメント、データ、ツールに向け、管理するインフラ上でマルチステップの作業を実行させることができます。ドキュメント集約型のレビューワークフローでの活用方法を確認するか、Eigentをダウンロードして独自のエージェントチームを構築してください。
Recent Posts

Eigent v1.0.8 リリースノート:新しいホーム、横断検索、より見やすい会話
Eigent v1.0.8 ではホームとメッセージ入力欄を刷新し、スペースの横断検索を追加しました。標準になった会話タイムラインでエージェントの作業も追いやすくなります。

GPT-6.2 AstraとSol:新機能、料金、ベンチマーク
GPT-6.2 AstraとSolは、ChatGPT Work、Codex、APIに対応したOpenAIの最新モデルです。変更点、料金、ベンチマーク、使い分けについて解説します。

Claude Fable 5.2とMythos 5.2:新機能の解説
Claude Fable 5.2とMythos 5.2の解説:100万トークンあたり$8/$40の低価格設定、最大30%の高速化、新ベンチマーク結果、各ティアへのアクセス方法。




