什麼是 NVIDIA Nemotron for Science?開放模型助力研究型 AI 智能體
NVIDIA 在 SC26 發布的套件包含開放的 Nemotron 3.5 Super VL 模型、5 萬道化學題目資料集,以及用於建構科學 AI 智能體的後訓練方案。

NVIDIA 正式推出 Nemotron for Science,這是一套開放的模型、資料集與方案組合,專為建構能執行真實科學工作的 AI 智能體而設計——包括推理化學與生物學問題、呼叫研究工具,以及自我驗證結果。此套件於 SC26 超級運算大會上發布,將開放的 Nemotron 3.5 Super VL 模型、全新化學資料集與後訓練指南整合為一體。以下將介紹其內容、現有使用者,以及是否值得關注。
什麼是 NVIDIA Nemotron for Science?
NVIDIA Nemotron for Science 是一套針對科學研究智能體的開放 AI 資源組合,而非單一的全新模型。NVIDIA 於 2026 年 11 月 16 日在芝加哥舉辦的 SC26 大會上正式發布,將其 Nemotron 3.5 Super VL 開放模型的科學應用、全新開放化學資料集,以及協助研究人員建構科學發現專用智能體的後訓練方案整合在一起。
其核心理念是為研究人員提供所需的元件,讓他們能建構出可規劃任務、執行模擬、驗證結果並在多次迭代中自我修正的智能體——而不僅僅是與科學議題對話。此套件包含四個部分:
- Nemotron 3.5 Super VL — 作為智能體基礎的開放多模態推理模型。
- LitmusBench v0.2 — 全新開放化學資料集,用於訓練和評估模型的化學推理能力。
- 後訓練方案 — 強化學習與知識蒸餾工作流程,用於將模型調適至特定科學領域。
- 科學評估基準 — 用於衡量客製化模型是否確實有所提升的基準測試。
NVIDIA 對此目標的闡述相當直接。NVIDIA 超大規模與高效能運算副總裁 Ian Buck 表示:「Nemotron for Science 為研究人員提供開放模型、科學資料與後訓練方案,以建構能推理科學問題的專用智能體,並運用 CUDA-X 加速工具將想法轉化為發現。」
模型:Nemotron 3.5 Super VL
其基礎是 Nemotron 3.5 Super VL,這是 NVIDIA 的開放 1,200 億參數多模態模型,每個 token 啟用 120 億個參數。它在單一檢查點中整合了推理、工具使用,以及讀取文字、圖像、圖表和多頁文件的能力——這正是科學論文和實驗室記錄中常見的混合素材類型。
基於 Super VL 建構的 Nemotron for Science,協助研究人員開發能推理科學問題並運用專業研究工具的智能體。透過後訓練,科學家可將模型調適至化學實驗執行和蛋白質設計等專業任務。
該模型現已在 Hugging Face 上提供,NVIDIA 表示其已針對在 128GB NVIDIA DGX Spark 系統上本地運行進行了優化。
LitmusBench v0.2:化學資料集
最引人注目的新元件是資料集。LitmusBench v0.2 是一個全新的開放資料集,包含近 5 萬道問題,用於訓練和評估語言模型的化學推理能力。它涵蓋分子特性與實驗性藥物發現資料,旨在協助研究人員提升模型預測分子行為的能力——包括溶解度以及人體對其的代謝方式。
在 NVIDIA 的技術文件中,同一資料集亦被稱為 Nemotron Litmus-Bench,同時支援評估與後訓練兩種用途。這種雙重角色至關重要:用於評分模型的問題同樣可用於訓練,因此實驗室可以找出弱點,再用相同的資料加以改善。
後訓練的運作方式
Nemotron for Science 的核心賣點在於客製化能力。通用模型只是起點;這些方案展示了如何透過強化學習搭配可驗證獎勵,將其轉化為領域專家。
NVIDIA 的後訓練教學以藥物代謝預測作為實作範例。給定一個母體分子及其轉化酶,模型預測所產生的代謝物。其巧妙之處在於獎勵機制:不使用人工偏好標籤,而是直接以實驗真實值對答案評分,透過相似度指標比較預測與參考分子指紋。獎勵直接來自資料本身。
所報告的提升幅度相當具體。在 16,384 個 token 輸出預算的藥物代謝任務上,NVIDIA 表示監督式微調將準確率提升了 12%,強化學習後訓練進一步提升了 17%。可選的「熱啟動」步驟從更強大的教師模型(NVIDIA 範例中使用的是 Anthropic 的 Claude Sonnet 5.5)蒸餾推理軌跡,以在強化學習循環開始前加速收斂。
對於團隊而言,重點在於:你不需要前沿模型就能在特定任務上達到前沿水準的結果。你需要的是一個優質的開放模型、你自己的實驗資料,以及一個能衡量你真正關心的科學結果的獎勵機制。
現有使用者
NVIDIA 的發布更多依賴具名合作夥伴和實驗室,而非單純的基準測試,這使得相關說法更易於評估:
- Terray Therapeutics 對 Nemotron 進行後訓練,以從科學圖表中提取反應物、產物和反應條件。NVIDIA 報告指出,在基準測試的匹配標準下,其在 RxnScribe 測試集上還原了約 76% 的標注反應,超越了兩項基準測試中先前發布的結果。
- Lila Sciences 使用它設計可直接執行的實驗室方案。透過實驗室回饋進行後訓練後,製造量子點的準確率幾乎翻倍至 61%,NVIDIA 表示這以 10 至 20 倍更低的推理成本超越了 GPT-6 Astra 的 54%。
- Therna 對 Nemotron 進行後訓練,用於智能體式 mRNA 治療設計,在預測蛋白質表現範圍方面的準確率幾乎是前沿模型的兩倍。NVIDIA 報告指出,在 96% 的比較中,科學家更偏好其解釋而非基礎模型。
- 阿貢國家實驗室(Argonne National Laboratory) 正將 Nemotron 整合至其 StructBioReasoner 多智能體系統,用於設計和評估針對癌症及其他疾病的蛋白質治療候選物。
- 瑞典皇家理工學院(KTH Royal Institute of Technology) 建構了一個能自主修復損壞的 GROMACS 分子動力學設定的智能體。NVIDIA 表示,在單台 DGX Spark 上進行一夜運算後,該智能體在啟用推理的情況下修復了 81% 的測試案例,且每項修復均由 GROMACS 獨立驗證。
這些數字均為 NVIDIA 發布材料中針對特定工作負載的廠商自測數據——應將其視為在特定任務上經過調整後可達到的結果,而非保證的預設值。與任何產品發布一樣,在第三方重現這些數據之前,請將其視為 NVIDIA 自身的測量結果。
與其他「AI 科學家」方案的比較
Nemotron for Science 是一套工具包,而非一位完整的科學家。這使其有別於為自主發現而端對端訓練的系統,例如 Periodic Labs 的 Neon,或像 Omnii-1 背後的基因組模型等領域專用基礎模型。NVIDIA 的策略是橫向布局:發布開放模型加上資料和方案,讓每個實驗室建構自己的專用智能體。
這在實踐中是一個有意義的差異。你擁有模型權重、將資料保存在自己控制的基礎設施上,並針對你的確切任務進行調整。這種取捨在 Nemotron 系列的其他產品中也很常見——效率和服務方案高度依賴 NVIDIA 硬體,從桌上型 DGX Spark 到超級運算中心皆然。
值得關注嗎?
如果你正在建構研究或實驗室自動化智能體,並擁有自己的實驗資料,Nemotron for Science 值得深入研究:開放權重、真實的化學資料集、可信的後訓練路徑,以及展示其在特定任務上有效運作的合作夥伴案例。如果你只是想要一個通用的科學聊天機器人,這並不適合——它是建構專用智能體的基礎設施,適合願意進行後訓練的團隊。
關於基礎模型的架構、基準測試和授權詳情,請參閱我們對 Nemotron 3.5 Super VL 的完整解析。NVIDIA 最初在 X 上的貼文中分享了此次發布。
用 AI 工作團隊建構你自己的科學智能體
Nemotron for Science 展示了一種模式:智能體規劃任務、呼叫真實工具、檢查自身輸出並持續迭代。Eigent 是一款開源的 Cowork 桌面應用程式,能在本地協調這類多智能體工作流程——將一組智能體指向你自己的文件、資料和工具,讓它們在你掌控的基礎設施上執行多步驟工作。了解它如何處理文件密集型審查工作流程,或下載 Eigent 來建構你自己的智能體團隊。
Recent Posts

Eigent v1.0.8 發布說明:新版首頁、全域搜尋與更清楚的對話
Eigent v1.0.8 帶來重新設計的首頁、跨空間搜尋和新版訊息輸入框,並預設開啟對話時間軸,讓代理的工作過程更容易查看。

GPT-6.2 Astra 與 Sol:新功能、定價與基準測試
GPT-6.2 Astra 與 Sol 是 OpenAI 為 ChatGPT Work、Codex 及 API 推出的最新模型。本文介紹功能更新、定價、基準測試結果,以及如何選擇適合的模型。

Claude Fable 5.2 與 Mythos 5.2:新功能完整解析
Claude Fable 5.2 與 Mythos 5.2 完整解析:每百萬 Token 定價降至 $8/$40,輸出速度最高提升 30%,全新基準測試成績,以及各層級的存取資格說明。




