英伟达面向科学研究的 Nemotron 在量子点设计中达到 61% 的准确率

NVDA-0.42%

关键要点

  • NVIDIA Nemotron for Science 于 2026 年 11 月 16 日在 SC26 上发布,推出了 Nemotron 3.5 Super VL 模型、包含近 50,000 道化学问题的 LitmusBench v0.2 数据集,以及用于科学发现的后训练方案。
  • Lila Sciences 对 Nemotron 进行后训练后,该模型在量子点设计方面的准确率达到 61%,高于 GPT-6 Astra 的 54%,推理成本仅为其 1/10 至 1/20。
  • KTH 皇家理工学院基于 Nemotron 构建的 GROMACS 修复智能体,在 NVIDIA DGX Spark 系统上运行一夜后,修复了 81% 的分子动力学测试用例。

英伟达于 2026 年 11 月 16 日在芝加哥举行的 SC26 上推出 NVIDIA Nemotron for Science,汇集了 NVIDIA Nemotron 3.5 Super VL 开源模型、新的开放化学数据集和后训练方案,帮助研究人员构建用于科学发现的专用智能体。该计划使研究人员能够开发可推理科学问题并调用专用研究工具的智能体。通过后训练,科学家可以调整模型以执行专门任务,例如开展化学实验、进行蛋白质设计及相关应用。

NVIDIA Nemotron 3.5 Super VL 在研究机构中的部署

领先的研究机构正在将 NVIDIA Nemotron 模型整合到科学发现工作流程中。阿贡国家实验室正在将 Nemotron 纳入其 StructBioReasoner 多智能体系统,用于设计和评估基于蛋白质的候选疗法,以治疗癌症和其他疾病。瑞典皇家理工学院基于 Nemotron 构建了一个 AI 智能体,可自主修复故障的 GROMACS 分子动力学配置;在一台 NVIDIA DGX Spark 系统上进行的一次夜间运行中,该智能体在启用推理的情况下修复了 81% 的测试用例,而且每项修复都由 GROMACS 本身独立验证。RIKEN 通过其推理网关 RiVault,在 RIKYU AI 超级计算平台上提供 NVIDIA Nemotron,包括 Nemotron 3.5 Super VL,使研究人员能够使用这些模型开展科学研究并加速应用开发。

后训练性能与实际应用

Lila Sciences 使用 Nemotron 为自动化实验室设计可直接执行的实验室方案,无需额外微调即可达到前沿水平的性能。利用实验室反馈进行后训练后,该模型在量子点制备任务上的准确率接近翻倍,达到 61%;量子点是用于屏幕和太阳能电池板的纳米级晶体。这一表现超过了 GPT-6 Astra 的 54%,推理成本还低 10-20 倍。这些提升有助于智能体和材料科学家将期望的材料特性转化为合成方案,推动新材料发现。

Terray Therapeutics 对 Nemotron 进行了后训练,使其能够从科学图表中提取反应物、产物和反应条件,并在两项基准测试中超越此前公布的结果。在 RxnScribe 测试中,按照该基准的匹配标准,它成功还原了约 76% 的标注反应,有助于将已发表的化学发现转化为结构化数据,用于合成规划和科学智能体。

Therna 与 NVIDIA 合作,对 Nemotron 进行后训练,用于智能体式 mRNA 疗法设计,使其预测蛋白质表达范围的准确率几乎达到前沿模型的两倍。在 96% 的比较中,科学家更喜欢它的解释,而不是基础模型的解释。这些提升有助于科学家针对特定细胞类型调整 mRNA 设计,以实现期望的蛋白质产量,并推动其应用扩展至人体。

LitmusBench v0.2 化学数据集与训练资源

LitmusBench v0.2 是一个新的开放数据集,包含近 50,000 个问题,可用于训练和评估语言模型的化学推理能力。该数据集基于分子特性和实验性药物发现数据,可帮助研究人员提升模型预测分子行为的能力,包括预测分子的溶解性以及人体如何处理这些分子。该数据集和 NVIDIA Nemotron 3.5 Super VL 模型现已在 Hugging Face 上提供。Nemotron 3.5 Super VL 模型经过优化,可在本地的 128GB NVIDIA DGX Spark 系统上运行。

关键信息

  • NVIDIA Nemotron 3.5 Super VL 是一款开源模型,专为专门的科学推理和智能体开发而设计
  • LitmusBench v0.2 包含近 50,000 个问题,可用于训练和评估语言模型的化学推理能力
  • Lila Sciences 利用实验室反馈进行后训练后,在量子点合成任务上达到 61% 的准确率;相比之下,GPT-6 Astra 的准确率为 54%,推理成本高出 10-20 倍
  • Terray Therapeutics 在 RxnScribe 基准测试中成功还原了约 76% 的标注反应
  • Therna 使用 Nemotron 进行 mRNA 疗法设计,使预测蛋白质表达范围的准确率几乎翻倍;在 96% 的比较中,科学家更喜欢它的解释,而不是基础模型的解释
  • 瑞典皇家理工学院的 GROMACS 修复智能体在一台 NVIDIA DGX Spark 系统上进行的一次夜间运行中,在启用推理的情况下修复了 81% 的测试用例
  • NVIDIA CUDA-X 加速工具已整合到科学计算智能体工作流程中
  • Nemotron for Science 于 2026 年 11 月 16 日在 SC26 上推出

常见问题

什么是 NVIDIA Nemotron for Science?

NVIDIA Nemotron for Science 汇集了 NVIDIA Nemotron 3.5 Super VL 开源模型、LitmusBench v0.2 化学数据集和后训练方案,帮助研究人员构建用于科学发现的专用智能体。研究人员可以使用特定领域的数据对 Nemotron 开源模型进行后训练,以提升其在专门科学任务上的表现;将由此得到的模型集成到智能体工作流程中,用于解读科学信息和生成代码;还可以通过 NVIDIA CUDA-X 加速的工作流程调用计算工具来执行科学计算。

在实际应用中,经过后训练的 Nemotron 与前沿模型相比表现如何?

Lila Sciences 利用实验室反馈进行后训练后,在量子点合成任务上达到 61% 的准确率,超过了 GPT-6 Astra 的 54%,推理成本还低 10-20 倍。与前沿模型相比,Therna 在预测蛋白质表达范围方面的准确率几乎翻倍,科学家在 96% 的比较中更喜欢它的解释。Terray Therapeutics 在 RxnScribe 基准测试中成功还原了约 76% 的标注反应,超越此前公布的结果。

研究人员在哪里可以获取 NVIDIA Nemotron 3.5 Super VL 和 LitmusBench v0.2?

NVIDIA Nemotron 3.5 Super VL 和 LitmusBench v0.2 现已在 Hugging Face 上提供。Nemotron 3.5 Super VL 模型经过优化,可在本地的 128GB NVIDIA DGX Spark 系统上运行。RIKEN 还通过其推理网关 RiVault,在 RIKYU AI 超级计算平台上提供 NVIDIA Nemotron,使研究人员能够使用这些模型开展科学研究并加速应用开发。

免责声明:本页面信息可能来自第三方,仅供参考,不代表 Gate 的观点或意见,亦不构成任何财务、投资或法律建议。数字资产交易风险较高,请勿仅依赖本页面信息作出决策。具体内容详见声明。
评论
0/400
暂无评论