AI-модели
NVIDIA представила Nemotron for Science: данные и методики для научных агентов
Публикация:
Пакет строится на уже выпущенной Nemotron 3.5 Super VL. Он объединяет химические данные, проверяющие среды и методики дообучения, чтобы лаборатории могли адаптировать модель под свои задачи.

NVIDIA представила Nemotron for Science, набор моделей, данных, инструментов и методик дообучения для научных ИИ-агентов. В его основе уже выпущенная мультимодальная Nemotron 3.5 Super VL. Новость не в появлении ещё одной универсальной модели, а в способе приспособить её к химии, биологии и лабораторным процессам.
Модель учится на проверяемом результате
В техническом руководстве NVIDIA показывает, как превратить экспериментальные записи в среду для обучения с подкреплением. Модель получает исходные данные, предлагает ответ, а проверяющий инструмент сравнивает его с известным результатом. NeMo Gym отвечает за среду и проверку, NeMo RL за дообучение модели.
В примере с метаболизмом лекарств на вход подают молекулу и фермент, а от модели ждут структуру продукта реакции. Ответ сравнивают с эталоном по сходству молекулярных отпечатков. Такой проверяющий сигнал точнее задаёт цель, чем просто убедительно написанное объяснение, но качество проверки и исходных экспериментальных данных остаётся важным ограничением.
Почти полсотни тысяч вопросов по химии
Часть набора составляет LitmusBench v0.2. В карточке репозитория указаны 47 118 обучающих вопросов и 2056 тестовых: короткие ответы о свойствах молекул и данных, связанных с разработкой лекарств. Это материал для обучения и оценки химического рассуждения, а не база готовых медицинских рекомендаций.
У данных неодинаковые условия использования. Вопросы на основе ChEMBL распространяются по CC BY-SA 4.0, остальные по OpenMDW 1.1. Карточка допускает коммерческое и некоммерческое применение, но при повторном использовании нужно учитывать лицензию конкретных данных. Сама модель Nemotron 3.5 Super VL также доступна на Hugging Face под OpenMDW 1.1.
Задачи узкие, результаты тоже
NVIDIA приводит примеры партнёров: извлечение сведений о химических реакциях из диаграмм, подготовка лабораторных протоколов и работа с кандидатами для терапии. В кейсе Terray Therapeutics дообученная модель восстановила около 76% размеченных реакций в тесте RxnScribe. Это показатель конкретного теста с его правилами сопоставления, а не доля успешных реальных экспериментов.
Отдельный пример KTH касается не открытия лекарства, а ремонта расчётной среды: агент на одном DGX Spark исправил 81% тестовых поломок настроек молекулярной динамики GROMACS за ночной прогон. Как подчёркивает NVIDIA, каждое исправление независимо проверял сам GROMACS. Такие кейсы показывают направление применения, но не подтверждают универсальную надёжность научного агента.
Базовые модели Nemotron 3.5 Super VL и Bolt мы уже разбирали отдельно. На уровне вычислительной инфраструктуры NVIDIA также анонсировала Rubin HPC для научных расчётов. Nemotron for Science находится ближе к прикладной части этой связки: данным, проверяющим инструментам и адаптации модели под задачу лаборатории.