NVIDIA ogłosiła Nemotron for Science podczas SC26 16 listopada 2026 r. Pakiet łączy model Nemotron 3.5 Super VL, oceny naukowe, zbiór chemiczny LitmusBench v0.2 i przepisy posttreningowe dla wyspecjalizowanych agentów naukowych. NVIDIA podała, że model i zbiór są dostępne na Hugging Face (ogłoszenie NVIDIA).
Co podaje karta modelu BF16
Karta checkpointu NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16 opisuje model wizyjno-językowy przyjmujący tekst, obrazy i wideo, a generujący tekst. Ma 120 mld parametrów łącznie, z czego 12 mld jest aktywnych, oraz kontekst do 1 mln tokenów. W zależności od pamięci GPU i równoległej obsługi użytkowników wdrożenie może korzystać z mniejszego kontekstu.
Dla tego checkpointu BF16 karta wymienia konfiguracje z 4× H100 albo 2× GB200. NVIDIA osobno informuje, że Nemotron 3.5 Super VL zoptymalizowano do lokalnej pracy na DGX Spark z 128 GB pamięci. To inne wskazanie sprzętowe niż konfiguracje podane w karcie BF16. Sam model jest objęty licencją OpenMDW-1.1; karta opisuje ją jako pozwalającą na użytek komercyjny i niekomercyjny. Wcześniej omawialiśmy model Nemotron 3.5 Super VL; tu istotne są wymagania sprzętowe konkretnego checkpointu.
LitmusBench v0.2 ma licencje zależne od rekordu
NVIDIA opisuje LitmusBench v0.2 jako zbiór niemal 50 tys. pytań z chemii do trenowania i oceny modeli. Licencja zależy od zawartości pytania, a pole question_license wskazuje warunki przypisane do danego rekordu (plik licencyjny LitmusBench).
| Rodzaj pytania | Licencja | Pole wskazujące licencję |
| Pytanie zawierające dane ChEMBL | CC-BY-SA-4.0 | question_license |
| Pozostałe pytania | OpenMDW-1.1 | question_license |
Przed wykorzystaniem lub dalszym udostępnianiem danych warto sprawdzić to pole w każdym używanym rekordzie.
Wymagania wdrożeniowe sprawdzaj dla konkretnego wariantu modelu, a warunki ponownego użycia — dla konkretnego rekordu zbioru.
Zastosowania opisywane przez NVIDIA
NVIDIA przypisuje współpracownikom różne zastosowania modelu. Według firmy Terray Therapeutics dotrenowało go do odczytywania reagentów, produktów i warunków reakcji z diagramów naukowych; w teście RxnScribe odzyskano około 76% oznaczonych reakcji według kryteriów dopasowania tego benchmarku. NVIDIA podaje też, że po dotrenowaniu z informacją zwrotną z laboratorium model Lila Sciences osiągnął 61% trafności w zadaniu dotyczącym kropek kwantowych, wobec 54% dla GPT-6 Astra.
W odrębnym zadaniu związanym z projektowaniem terapii mRNA naukowcy w 96% porównań woleli wyjaśnienia modelu rozwijanego z udziałem Therna od wyjaśnień modelu bazowego — tak wynik przedstawia NVIDIA. Firma informuje również, że agent zespołu KTH Royal Institute of Technology naprawił 81% przypadków konfiguracji GROMACS podczas jednego nocnego przebiegu na pojedynczym DGX Spark z włączonym rozumowaniem; GROMACS niezależnie sprawdził każdą poprawkę.
NVIDIA wymienia także integrację Nemotron z systemem StructBioReasoner w Argonne National Laboratory oraz prace Jülich Supercomputing Centre nad agentami do odkryć naukowych. RIKEN udostępnia model za pośrednictwem platformy RIKYU AI i bramy wnioskowania RiVault, jak podaje NVIDIA (szczegóły ogłoszenia).