Eigent
Pricing
A cream facade with blue windows refracted through fine vertical glass

AI workspace

  • OverviewSee the whole workspace.
  • Spaces and SessionsKeep each project's files and work together.
  • Skills & ConnectorsTeach agents your way of working. Connect your tools.
  • AutomationsRun Tasks on a schedule or a trigger.
  • Remote ControlCheck in from your browser or phone.
  • Use casesSee real work, finished.

Updates

  • ChangelogCatch up on the latest releases.
  • RoadmapFollow what comes next.
  • WindowsDownload Eigent for Windows.
  • MacDownload Eigent for macOS.
  • LinuxDownload Eigent for Linux.
  • Open SourceInspect, adapt, and make it yours.
  • EnterpriseRoll Eigent out across your company.
Concrete balconies and golden railings refracted through fine vertical glass

Enterprise

  • OverviewAn AI workspace for every team, in your environment.
  • MonitoringSee every run, step by step.
  • GovernanceSet who can build, run, and approve.
  • ControlLimit what agents can reach.
  • Security and trustHow we protect your data.
  • Enterprise servicesWe build it with you, then hand it over to your team.
  • Talk to salesPlan a proof of concept for your company.
A sunlit facade and geometric shadows refracted through fine vertical glass

Environments

  • OverviewTrain and test agents on real work.
  • Environment catalogBrowse 30 categories of environments.
  • Request an environmentTell us what your agents need to learn.
  • AgenticRL-BenchCan agents do agentic RL? See the leaderboard. (opens in a new tab)
  • Env-LabCustom RL environments, training data, and benchmarks for real work. (opens in a new tab)
Weathered window frames refracted through fine vertical glass

Learn

  • DocsGet started and go deeper.
  • BlogIdeas, releases, and stories.
  • SupportFind answers and get help.

Company

  • AboutMeet the people behind Eigent.
  • CareersJoin the team building Eigent.

Community

  • CAMEL-AIThe multi-agent research community behind Eigent. (opens in a new tab)

AI workspace

  • OverviewSee the whole workspace.
  • Spaces and SessionsKeep each project's files and work together.
  • Skills & ConnectorsTeach agents your way of working. Connect your tools.
  • AutomationsRun Tasks on a schedule or a trigger.
  • Remote ControlCheck in from your browser or phone.
  • Use casesSee real work, finished.

Updates

  • ChangelogCatch up on the latest releases.
  • RoadmapFollow what comes next.
  • WindowsDownload Eigent for Windows.
  • MacDownload Eigent for macOS.
  • LinuxDownload Eigent for Linux.
  • Open SourceInspect, adapt, and make it yours.
  • EnterpriseRoll Eigent out across your company.

Enterprise

  • OverviewAn AI workspace for every team, in your environment.
  • MonitoringSee every run, step by step.
  • GovernanceSet who can build, run, and approve.
  • ControlLimit what agents can reach.
  • Security and trustHow we protect your data.
  • Enterprise servicesWe build it with you, then hand it over to your team.
  • Talk to salesPlan a proof of concept for your company.

Environments

  • OverviewTrain and test agents on real work.
  • Environment catalogBrowse 30 categories of environments.
  • Request an environmentTell us what your agents need to learn.
  • AgenticRL-BenchCan agents do agentic RL? See the leaderboard. (opens in a new tab)
  • Env-LabCustom RL environments, training data, and benchmarks for real work. (opens in a new tab)

Learn

  • DocsGet started and go deeper.
  • BlogIdeas, releases, and stories.
  • SupportFind answers and get help.

Company

  • AboutMeet the people behind Eigent.
  • CareersJoin the team building Eigent.

Community

  • CAMEL-AIThe multi-agent research community behind Eigent. (opens in a new tab)
Pricing
Blogs
Nov 17, 2026

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.

EigentEigent
Share to
Czym jest NVIDIA Nemotron for Science? Otwarte modele dla agentów badawczych
  • Czym jest NVIDIA Nemotron for Science?
  • Model: Nemotron 3.5 Super VL
  • LitmusBench v0.2: zbiór danych chemicznych
  • Jak działa post-trening
  • Kto już z tego korzysta
  • Jak wypada w porównaniu z innymi inicjatywami „naukowego AI"
  • Czy warto się tym zainteresować?
  • Zbuduj własnych agentów naukowych z siłą roboczą AI
Automate Everything with
AI Workforce on Desktop
Download Eigent

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
ProduktNov 17, 2026

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.

Douglas LaiDouglas Lai
GPT-6.2 Astra i Sol: Co nowego, cennik i benchmarki
Nov 17, 2026

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.

EigentEigent
Claude Fable 5.2 i Mythos 5.2: Co nowego, wyjaśnione
Nov 9, 2026

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.

EigentEigent
Automate everything with AI workforce on desktop
Download Eigent

Wypróbuj Eigent już dziś

Pobierz open-source’ową aplikację desktopową. Twoja SI workforce, działająca na Twoim komputerze.

Pobierz Eigent
Eigent

Otrzymuj najnowsze aktualizacje, poradniki i wydania dotyczące automatyzacji SI workforce.

Dziękujemy za zapis!

ProduktEigentŚrodowiskaCennikDla firm
OdkrywajRozwiązaniaPrzypadki użyciaUmiejętnościWtyczkiBlogiDziennik zmian
DeweloperzyDokumentacjaGitHubCAMEL-AIFundusz Open SourcePartner
PobierzDla open source
FirmaO nasBrandKarieraPomocWarunki korzystaniaPolityka prywatnościBezpieczeństwo i zaufaniePolityka plików cookiePolityka zwrotów i wersji próbnej

Wszelkie prawa zastrzeżone © 2026 EIGENT UK LTD