O Que É NVIDIA Nemotron for Science? Modelos Abertos para Agentes de Pesquisa
O lançamento SC26 da NVIDIA reúne o modelo aberto Nemotron 3.5 Super VL, um dataset de química com 50.000 perguntas e receitas de pós-treinamento para construir agentes de IA científicos.

A NVIDIA acaba de apresentar o Nemotron for Science, uma coleção aberta de modelos, datasets e receitas para construir agentes de IA que realizam trabalho científico de verdade — raciocinam sobre problemas de química e biologia, chamam ferramentas de pesquisa e verificam seus próprios resultados. Anunciado na conferência de supercomputação SC26, o pacote reúne o modelo aberto Nemotron 3.5 Super VL com um novo dataset de química e guias de pós-treinamento. Veja o que está incluído, quem já está usando e se vale a sua atenção.
O Que É NVIDIA Nemotron for Science?
NVIDIA Nemotron for Science é um conjunto de recursos abertos de IA voltado para agentes de pesquisa científica, não um único modelo novo. A NVIDIA o apresentou no SC26 em Chicago em 16 de novembro de 2026, reunindo aplicações científicas do seu modelo aberto Nemotron 3.5 Super VL, um novo dataset aberto de química e receitas de pós-treinamento para ajudar pesquisadores a construir agentes especializados para descoberta científica.
A ideia é fornecer aos pesquisadores os componentes necessários para criar agentes capazes de planejar tarefas, executar simulações, verificar resultados e se autocorrigir ao longo das iterações — em vez de apenas conversar sobre ciência. A coleção tem quatro partes:
- Nemotron 3.5 Super VL — o modelo de raciocínio multimodal aberto sobre o qual os agentes são construídos.
- LitmusBench v0.2 — um novo dataset aberto de química para treinar e avaliar modelos em raciocínio químico.
- Receitas de pós-treinamento — fluxos de trabalho de aprendizado por reforço (reinforcement learning) e destilação para adaptar o modelo a um domínio científico específico.
- Avaliações científicas — benchmarks para medir se um modelo personalizado realmente melhorou.
A NVIDIA define o objetivo de forma direta. "O Nemotron for Science oferece aos pesquisadores modelos abertos, dados científicos e receitas de pós-treinamento para construir agentes especializados que raciocinam sobre problemas científicos e usam ferramentas aceleradas CUDA-X para transformar ideias em descobertas", disse Ian Buck, vice-presidente de hyperscale e computação de alto desempenho da NVIDIA.
O Modelo: Nemotron 3.5 Super VL
A base é o Nemotron 3.5 Super VL, o modelo multimodal aberto da NVIDIA com 120 bilhões de parâmetros que ativa 12B parâmetros por token. Ele combina raciocínio, uso de ferramentas e a capacidade de ler textos, imagens, gráficos e documentos de múltiplas páginas em um único checkpoint — exatamente o tipo de material misto que artigos científicos e registros de laboratório contêm.
Construído sobre o Super VL, o Nemotron for Science ajuda pesquisadores a desenvolver agentes que raciocinam sobre problemas científicos e colocam ferramentas de pesquisa especializadas em ação. Com o pós-treinamento, cientistas podem adaptar o modelo a tarefas especializadas, como execução de experimentos de química e design de proteínas.
O modelo já está disponível no Hugging Face, e a NVIDIA afirma que foi otimizado para rodar localmente em um sistema NVIDIA DGX Spark de 128GB.
LitmusBench v0.2: o Dataset de Química
A principal novidade é o dado em si. O LitmusBench v0.2 é um novo dataset aberto com quase 50.000 perguntas para treinar e avaliar modelos de linguagem em raciocínio químico. Ele se baseia em propriedades moleculares e dados experimentais de descoberta de medicamentos, e tem como objetivo ajudar pesquisadores a melhorar a capacidade de um modelo de prever o comportamento de moléculas — incluindo sua solubilidade e como o corpo humano as processa.
Nos materiais técnicos da NVIDIA, o mesmo dataset é referenciado como Nemotron Litmus-Bench, e suporta tanto avaliação quanto pós-treinamento. Esse papel duplo é importante: as mesmas perguntas que avaliam um modelo também podem ser usadas para treiná-lo, de modo que um laboratório pode identificar uma fraqueza e corrigi-la com os mesmos dados.
Como Funciona o Pós-Treinamento
O grande diferencial do Nemotron for Science é a personalização. Um modelo geral é um ponto de partida; as receitas mostram como transformá-lo em um especialista de domínio usando aprendizado por reforço com recompensas verificáveis.
O guia de pós-treinamento da NVIDIA usa a previsão de metabolismo de medicamentos como exemplo prático. Dada uma molécula-mãe e sua enzima transformadora, o modelo prevê o metabólito resultante. A parte inteligente está na recompensa: em vez de rótulos de preferência humana, a verdade experimental pontua a resposta diretamente, comparando as impressões digitais moleculares previstas e de referência com uma métrica de similaridade. A recompensa vem diretamente dos dados.
Os ganhos reportados são concretos. Nessa tarefa de metabolismo de medicamentos com um orçamento de saída de 16.384 tokens, a NVIDIA afirma que o ajuste fino supervisionado (supervised fine-tuning) melhorou a precisão em 12%, e o pós-treinamento com aprendizado por reforço a elevou em mais 17%. Uma etapa opcional de "warm-start" destila traços de raciocínio de um modelo professor mais forte — no exemplo da NVIDIA, o Claude Sonnet 5.5 da Anthropic — para acelerar a convergência antes do início do loop de RL.
O ponto para as equipes: você não precisa de um modelo de fronteira para obter resultados de nível de fronteira em uma tarefa específica. Você precisa de um bom modelo aberto, seus próprios dados experimentais e uma recompensa que meça o resultado científico que você realmente deseja.
Quem Já Está Usando
O lançamento da NVIDIA se apoia em parceiros e laboratórios nomeados, em vez de apenas benchmarks, o que torna as afirmações mais fáceis de avaliar:
- Terray Therapeutics fez o pós-treinamento do Nemotron para extrair reagentes, produtos e condições de reação de diagramas científicos. A NVIDIA reporta que ele recuperou cerca de 76% das reações anotadas no teste RxnScribe sob os critérios de correspondência do benchmark, superando resultados publicados anteriormente em dois benchmarks.
- Lila Sciences o utilizou para projetar protocolos de laboratório prontos para execução. O pós-treinamento com feedback de laboratório quase dobrou a precisão na produção de quantum dots para 61%, o que a NVIDIA afirma superar os 54% do GPT-6 Astra com custo de inferência 10–20x menor.
- Therna fez o pós-treinamento do Nemotron para design agêntico de terapêuticos de mRNA, quase dobrando a precisão na previsão de faixas de expressão proteica em relação a modelos de fronteira. A NVIDIA reporta que os cientistas preferiram suas explicações em relação ao modelo base em 96% das comparações.
- Argonne National Laboratory está integrando o Nemotron ao seu sistema multi-agente StructBioReasoner para projetar e avaliar candidatos terapêuticos baseados em proteínas para câncer e outras doenças.
- KTH Royal Institute of Technology construiu um agente que repara configurações quebradas de dinâmica molecular GROMACS por conta própria. A NVIDIA afirma que, em uma execução noturna em um único DGX Spark, o agente corrigiu 81% dos casos de teste com raciocínio habilitado, com cada correção verificada independentemente pelo GROMACS.
Esses são números reportados pelo fornecedor, específicos para cada carga de trabalho, provenientes dos materiais de lançamento da NVIDIA — leia-os como o que a stack pode alcançar com ajuste em uma tarefa definida, não como padrões garantidos. Como em qualquer lançamento, trate os números como medições da própria NVIDIA até que terceiros os reproduzam.
Como Se Compara a Outros Esforços de "Cientista de IA"
O Nemotron for Science é um kit de ferramentas, não um cientista pronto. Isso o distingue de sistemas treinados de ponta a ponta para descoberta autônoma, como o Neon da Periodic Labs, ou modelos de fundação específicos de domínio como o modelo genômico por trás do Omnii-1. A aposta da NVIDIA é horizontal: lançar um modelo aberto com os dados e as receitas, e deixar cada laboratório construir seu próprio especialista.
Essa é uma diferença significativa na prática. Você possui os pesos, mantém seus dados na infraestrutura que controla e ajusta para sua tarefa exata. O trade-off é familiar no restante da linha Nemotron — a história de eficiência e serving depende fortemente do hardware NVIDIA, de um único DGX Spark em uma mesa até centros de supercomputação.
Vale a Pena?
Se você constrói agentes de pesquisa ou automação de laboratório e tem seus próprios dados experimentais, o Nemotron for Science merece uma análise cuidadosa: pesos abertos, um dataset real de química, um caminho credível de pós-treinamento e parceiros demonstrando que funciona em tarefas específicas. Se você quer apenas um chatbot geral de ciências, isso não é o que você procura — é infraestrutura para construir agentes especializados, e recompensa equipes dispostas a fazer pós-treinamento.
Para contexto sobre a arquitetura do modelo base, benchmarks e licenciamento, veja nossa análise completa do Nemotron 3.5 Super VL. A NVIDIA compartilhou o lançamento pela primeira vez em uma publicação no X.
Construa Seus Próprios Agentes Científicos com uma Força de Trabalho de IA
O Nemotron for Science mostra o padrão: um agente que planeja uma tarefa, chama ferramentas reais, verifica seu próprio resultado e itera. O Eigent é um aplicativo desktop Cowork de código aberto que orquestra exatamente esses fluxos de trabalho multi-agente localmente — aponte uma equipe de agentes para seus próprios documentos, dados e ferramentas e deixe-os executar trabalhos de múltiplas etapas na infraestrutura que você controla. Veja como ele lida com fluxos de trabalho de revisão com muitos documentos, ou baixe o Eigent para construir sua própria equipe de agentes.
Recent Posts

Notas da versão do Eigent v1.0.8 — Nova tela inicial, busca global e conversas mais claras
O Eigent v1.0.8 reformula a tela inicial e o campo de mensagens, adiciona busca entre espaços e exibe por padrão a linha do tempo das ações do agente.

GPT-6.2 Astra e Sol: O Que Há de Novo, Preços e Benchmarks
GPT-6.2 Astra e Sol são os modelos mais recentes da OpenAI para o ChatGPT Work, Codex e a API. Veja o que mudou, os preços, os benchmarks e qual usar.

Claude Fable 5.2 e Mythos 5.2: O Que Há de Novo, Explicado
Claude Fable 5.2 e Mythos 5.2 explicados: preços reduzidos a $8/$40 por milhão de tokens, saída até 30% mais rápida, novos benchmarks e quem pode acessar cada nível.




