Czym jest NVIDIA Nemotron for Science? Otwarte modele dla agentów badawczych
Wydanie SC26 firmy NVIDIA zawiera otwarty model Nemotron 3.5 Super VL, zbiór danych chemicznych z 50 000 pytań oraz przepisy do post-treningu dla budowania naukowych agentów AI.

NVIDIA właśnie przedstawiło Nemotron for Science – otwartą kolekcję modeli, zbiorów danych i przepisów do budowania agentów AI wykonujących prawdziwą pracę naukową: rozumowanie przez problemy z chemii i biologii, wywoływanie narzędzi badawczych oraz weryfikację własnych wyników. Ogłoszone na konferencji superkomputerowej SC26, łączy otwarty model Nemotron 3.5 Super VL z nowym zbiorem danych chemicznych i przewodnikami do post-treningu. Oto co zawiera, kto już z tego korzysta i czy warto poświęcić temu uwagę.
Czym jest NVIDIA Nemotron for Science?
NVIDIA Nemotron for Science to zestaw otwartych zasobów AI skierowanych do agentów badań naukowych – nie jest to pojedynczy nowy model. NVIDIA przedstawiło go na SC26 w Chicago 16 listopada 2026 roku, łącząc naukowe zastosowania otwartego modelu Nemotron 3.5 Super VL, nowy otwarty zbiór danych chemicznych oraz przepisy do post-treningu, które pomagają badaczom budować wyspecjalizowane agenty do odkryć naukowych.
Idea polega na dostarczeniu badaczom elementów potrzebnych do budowania agentów, które potrafią planować zadania, uruchamiać symulacje, sprawdzać wyniki i samodzielnie się korygować w kolejnych iteracjach – zamiast jedynie rozmawiać o nauce. Kolekcja składa się z czterech części:
- Nemotron 3.5 Super VL – otwarty, multimodalny model rozumowania, na którym opierają się agenty.
- LitmusBench v0.2 – nowy otwarty zbiór danych chemicznych do trenowania i oceny modeli w zakresie rozumowania chemicznego.
- Przepisy do post-treningu – przepływy pracy z uczeniem przez wzmacnianie (reinforcement learning) i destylacją, umożliwiające dostosowanie modelu do konkretnej dziedziny naukowej.
- Oceny naukowe – benchmarki mierzące, czy dostosowany model rzeczywiście się poprawił.
NVIDIA formułuje cel wprost. „Nemotron for Science daje badaczom otwarte modele, dane naukowe i przepisy do post-treningu, aby budować wyspecjalizowane agenty rozumujące przez problemy naukowe i wykorzystujące akcelerowane narzędzia CUDA-X do przekształcania pomysłów w odkrycia" – powiedział Ian Buck, wiceprezes NVIDIA ds. hyperscale i obliczeń wysokiej wydajności.
Model: Nemotron 3.5 Super VL
Podstawą jest Nemotron 3.5 Super VL – otwarty multimodalny model NVIDIA o 120 miliardach parametrów, aktywujący 12 mld parametrów na token. Łączy rozumowanie, korzystanie z narzędzi oraz zdolność do odczytu tekstu, obrazów, wykresów i wielostronicowych dokumentów w jednym checkpoincie – co jest dokładnie tym rodzajem mieszanego materiału, z jakiego pełne są artykuły naukowe i dokumentacja laboratoryjna.
Zbudowany na Super VL, Nemotron for Science pomaga badaczom rozwijać agenty rozumujące przez problemy naukowe i wykorzystujące wyspecjalizowane narzędzia badawcze. Dzięki post-treningowi naukowcy mogą dostosować model do wyspecjalizowanych zadań, takich jak przeprowadzanie eksperymentów chemicznych i projektowanie białek.
Model jest już dostępny na Hugging Face, a NVIDIA informuje, że został zoptymalizowany do lokalnego uruchamiania na systemie NVIDIA DGX Spark z 128 GB pamięci.
LitmusBench v0.2: zbiór danych chemicznych
Główną nowością są dane. LitmusBench v0.2 to nowy otwarty zbiór danych zawierający blisko 50 000 pytań do trenowania i oceny modeli językowych w zakresie rozumowania chemicznego. Opiera się na właściwościach molekularnych i eksperymentalnych danych z odkrywania leków, a jego celem jest pomoc badaczom w poprawie zdolności modelu do przewidywania zachowania cząsteczek – w tym ich rozpuszczalności i sposobu przetwarzania przez organizm ludzki.
W materiałach technicznych NVIDIA ten sam zbiór danych jest określany jako Nemotron Litmus-Bench i obsługuje zarówno ocenę, jak i post-trening. Ta podwójna rola ma znaczenie: te same pytania, które oceniają model, mogą być również używane do jego trenowania, dzięki czemu laboratorium może zmierzyć słabość, a następnie ją wyeliminować przy użyciu tych samych danych.
Jak działa post-trening
Prawdziwą propozycją wartości Nemotron for Science jest personalizacja. Ogólny model jest punktem wyjścia; przepisy pokazują, jak przekształcić go w specjalistę domenowego przy użyciu uczenia przez wzmacnianie z weryfikowalnymi nagrodami.
Przewodnik po post-treningu NVIDIA używa przewidywania metabolizmu leków jako przykładu roboczego. Mając cząsteczkę macierzystą i jej enzym transformujący, model przewiduje powstały metabolit. Sprytna część to nagroda: zamiast etykiet preferencji ludzkich, eksperymentalna prawda gruntowa ocenia odpowiedź bezpośrednio, porównując przewidywane i referencyjne odciski molekularne za pomocą metryki podobieństwa. Nagroda pochodzi wprost z danych.
Zgłoszone wyniki są konkretne. W tym zadaniu przewidywania metabolizmu leków przy budżecie wyjściowym 16 384 tokenów NVIDIA podaje, że nadzorowane dostrajanie (supervised fine-tuning) poprawiło dokładność o 12%, a post-trening z uczeniem przez wzmacnianie podniósł ją o kolejne 17%. Opcjonalny krok „warm-start" destyluje ślady rozumowania z silniejszego modelu nauczyciela – w przykładzie NVIDIA jest to Claude Sonnet 5.5 firmy Anthropic – aby przyspieszyć zbieżność przed rozpoczęciem pętli RL.
Wniosek dla zespołów: nie potrzebujesz modelu frontierowego, aby uzyskać wyniki na poziomie frontierowym w wąskim zadaniu. Potrzebujesz dobrego otwartego modelu, własnych danych eksperymentalnych i nagrody mierzącej wynik naukowy, na którym ci zależy.
Kto już z tego korzysta
Premiera NVIDIA opiera się na nazwanych partnerach i laboratoriach, a nie wyłącznie na benchmarkach, co ułatwia ocenę twierdzeń:
- Terray Therapeutics przeprowadziło post-trening Nemotron w celu wyodrębniania reagentów, produktów i warunków reakcji z diagramów naukowych. NVIDIA informuje, że odzyskano około 76% adnotowanych reakcji w teście RxnScribe według kryteriów dopasowania benchmarku, przewyższając wcześniej opublikowane wyniki na dwóch benchmarkach.
- Lila Sciences użyło go do projektowania gotowych do wykonania protokołów laboratoryjnych. Post-trening z informacją zwrotną z laboratorium prawie podwoił dokładność tworzenia kwantowych kropek do 61%, co według NVIDIA przewyższa 54% GPT-6 Astra przy 10–20-krotnie niższym koszcie wnioskowania.
- Therna przeprowadziło post-trening Nemotron do agentowego projektowania terapeutycznych mRNA, prawie podwajając dokładność przewidywania zakresów ekspresji białek w porównaniu z modelami frontierowymi. NVIDIA informuje, że naukowcy preferowali jego wyjaśnienia nad modelem bazowym w 96% porównań.
- Argonne National Laboratory integruje Nemotron ze swoim wieloagentowym systemem StructBioReasoner do projektowania i oceny kandydatów na terapeutyki oparte na białkach w leczeniu raka i innych chorób.
- KTH Royal Institute of Technology zbudowało agenta, który samodzielnie naprawia uszkodzone konfiguracje dynamiki molekularnej GROMACS. NVIDIA podaje, że w jednym nocnym uruchomieniu na pojedynczym DGX Spark agent naprawił 81% przypadków testowych z włączonym rozumowaniem, a każda naprawa była niezależnie weryfikowana przez GROMACS.
Są to liczby zgłoszone przez dostawcę, dotyczące konkretnych obciążeń roboczych, z materiałów premierowych NVIDIA – należy je traktować jako to, co stos może osiągnąć po dostrojeniu do zdefiniowanego zadania, a nie jako gwarantowane wartości domyślne. Jak w przypadku każdej premiery, traktuj te liczby jako własne pomiary NVIDIA do czasu, gdy zostaną odtworzone przez strony trzecie.
Jak wypada w porównaniu z innymi inicjatywami „naukowego AI"
Nemotron for Science to zestaw narzędzi, a nie gotowy naukowiec. Odróżnia go to od systemów trenowanych end-to-end do autonomicznego odkrywania, takich jak Neon firmy Periodic Labs, czy modeli fundamentowych specyficznych dla domeny, jak model genomowy stojący za Omnii-1. Zakład NVIDIA jest horyzontalny: dostarcz otwarty model wraz z danymi i przepisami, a każde laboratorium zbuduje własnego specjalistę.
To znacząca różnica w praktyce. Posiadasz wagi, przechowujesz dane na infrastrukturze, którą kontrolujesz, i dostrajasz do swojego konkretnego zadania. Kompromis jest znajomy z reszty linii Nemotron – historia wydajności i obsługi opiera się w dużej mierze na sprzęcie NVIDIA, od pojedynczego DGX Spark na biurku po centra superkomputerowe.
Czy warto się tym zainteresować?
Jeśli budujesz agenty badawcze lub automatyzujące pracę laboratoryjną i posiadasz własne dane eksperymentalne, Nemotron for Science jest wart bliższego przyjrzenia: otwarte wagi, prawdziwy zbiór danych chemicznych, wiarygodna ścieżka post-treningu i partnerzy pokazujący, że działa na wąskich zadaniach. Jeśli chcesz po prostu ogólnego chatbota naukowego, to nie jest to odpowiedni produkt – to infrastruktura do budowania wyspecjalizowanych agentów, która nagradza zespoły gotowe do post-treningu.
Aby zapoznać się z architekturą modelu bazowego, benchmarkami i licencjonowaniem, zobacz nasze pełne omówienie Nemotron 3.5 Super VL. NVIDIA po raz pierwszy udostępniło informacje o premierze w poście na X.
Zbuduj własnych agentów naukowych z siłą roboczą AI
Nemotron for Science pokazuje wzorzec: agent planujący zadanie, wywołujący prawdziwe narzędzia, sprawdzający własne wyniki i iterujący. Eigent to open-source'owa aplikacja desktopowa Cowork, która orkiestruje dokładnie takie wieloagentowe przepływy pracy lokalnie – skieruj zespół agentów na własne dokumenty, dane i narzędzia i pozwól im wykonywać wieloetapową pracę na infrastrukturze, którą kontrolujesz. Zobacz, jak radzi sobie z przepływami pracy wymagającymi przeglądu dużej liczby dokumentów, lub pobierz Eigent, aby zbudować własny zespół agentów.
Recent Posts

Informacje o wydaniu Eigent v1.0.8 — nowy ekran główny, wyszukiwanie globalne i czytelniejsze rozmowy
Eigent v1.0.8 wprowadza nowy ekran główny, wyszukiwanie we wszystkich przestrzeniach i nowe pole wiadomości. Domyślna oś czasu ułatwia śledzenie pracy agenta.

GPT-6.2 Astra i Sol: Co nowego, cennik i benchmarki
GPT-6.2 Astra i Sol to najnowsze modele OpenAI dla ChatGPT Work, Codex i API. Sprawdź co się zmieniło, cennik, benchmarki i który model wybrać.

Claude Fable 5.2 i Mythos 5.2: Co nowego, wyjaśnione
Claude Fable 5.2 i Mythos 5.2 wyjaśnione: niższe ceny $8/$40 za milion tokenów, do 30% szybsze generowanie, nowe benchmarki i kto ma dostęp do każdego poziomu.




