Aktualności, narzędzia i prawo AIPolska · codziennie
Narzędzia

Nemotron for Science. Otwarty zestaw NVIDII do agentów nauki

Nemotron for Science to otwarty pakiet NVIDII do budowy agentów naukowych. Obejmuje model Nemotron 3.5 Super VL, zbiór LitmusBench i przepisy na dotrenowanie.

Siwowłosa chemiczka i młodszy brodaty badacz w fartuchach oglądają na laptopie modele cząsteczek, obok stoi mały komputer AI, a za oknem laboratorium widać ceglane kamienice skandynawskiego miasta
Ilustracja redakcyjna dailyAI

NVIDIA udostępniła 16 listopada 2026 roku Nemotron for Science, otwarty zestaw do budowy agentów AI dla nauk ścisłych. Składa się z modelu Nemotron 3.5 Super VL, zbioru LitmusBench v0.2 z ponad 49 tys. pytań z chemii oraz przepisów na dotrenowanie modelu na własnych danych laboratoryjnych. Model i zbiór są już na Hugging Face, a całość można uruchomić lokalnie na komputerze DGX Spark ze 128 GB pamięci. Wyniki partnerów, takich jak KTH w Sztokholmie i Lila Sciences, pochodzą od NVIDII i nie zostały niezależnie sprawdzone.

Co wchodzi w skład Nemotron for Science

Nemotron for Science nie jest nowym modelem, tylko zestawem narzędzi wokół modelu, który NVIDIA wydała w październiku. Podstawą jest Nemotron 3.5 Super VL, multimodalny model typu mixture of experts (z wieloma wyspecjalizowanymi podsieciami, z których przy każdym zapytaniu pracuje tylko część). Do niego firma dołożyła dane do trenowania, testy i gotowe procedury.

Celem jest model dopasowany do jednej dziedziny, np. metabolizmu leków albo syntezy materiałów, który agent połączy z narzędziami obliczeniowymi, takimi jak biblioteki CUDA-X czy programy do symulacji.

  • Nemotron 3.5 Super VL - otwarty model bazowy, który rozumie tekst, obrazy i wideo.
  • LitmusBench v0.2 - zbiór krótkich pytań o właściwości cząsteczek, rozpuszczalność i przemiany leków w organizmie, przygotowany z danych ChEMBL, ExpansionRx i Biogen.
  • Przepisy na dotrenowanie - opcjonalny etap nadzorowanego uczenia (SFT) i uczenie ze wzmocnieniem metodą GRPO z adapterami LoRA.
  • Środowiska NeMo Gym, w których nagroda dla modelu wynika z danych eksperymentalnych, a nie z oceny innego modelu.

Jak działa dotrenowanie na danych z laboratorium

Wpis techniczny NVIDII pokazuje cały proces na przykładzie przewidywania metabolitów leków. Silniejszy model nauczyciel, w tym przykładzie Claude Sonnet 5.5, generuje tok rozumowania, a do treningu trafiają tylko odpowiedzi zgodne z danymi referencyjnymi. Potem model uczy się ze wzmocnieniem, a nagroda zależy od podobieństwa przewidzianej cząsteczki do rzeczywistego wyniku.

W tym przykładzie etap SFT podniósł trafność o 12 proc., a uczenie ze wzmocnieniem o kolejne 17 proc. Przykładowe polecenia w dokumentacji uruchamiają trening na 16 GPU, więc lokalny DGX Spark wystarczy raczej do uruchamiania gotowego agenta i mniejszych eksperymentów niż do pełnego treningu.

Wyniki partnerów i ich ograniczenia

NVIDIA pokazała wyniki kilku firm i ośrodków. Terray Therapeutics odtworzyła ok. 76 proc. opisanych reakcji w teście RxnScribe, a Therna niemal dwukrotnie poprawiła trafność przewidywania poziomu ekspresji białek. W Europie z modeli Nemotron korzystają KTH i Jülich Supercomputing Centre, a japoński RIKEN udostępnił je badaczom na swojej platformie obliczeniowej.

Wszystkie liczby pochodzą z komunikatu producenta i od jego partnerów. Nie ma recenzowanej publikacji ani niezależnej powtórki wyników, a porównanie z GPT-6 Astra dotyczy jednego wąskiego zadania. Wynik agenta KTH ma mocniejsze oparcie, bo każdą poprawkę konfiguracji sprawdzał niezależnie sam program GROMACS.

Licencja, dostępność i koszt

Model i zbiór LitmusBench są bezpłatne do pobrania z Hugging Face. Pytania oparte na danych ChEMBL objęte są licencją CC BY-SA 4.0, a pozostałe licencją OpenMDW 1.1, która dopuszcza użycie komercyjne. Przy publikowaniu pochodnych zbiorów trzeba więc pilnować warunku udostępniania na tych samych zasadach.

Za darmo nie jest natomiast sprzęt. Pełny model wymaga dużej pamięci, a NVIDIA wskazuje jako platformę lokalną DGX Spark ze 128 GB. Zespoły bez takiego sprzętu mogą korzystać z mocy obliczeniowej w chmurze lub w centrach superkomputerowych.

Co to oznacza dla polskich zespołów badawczych

Dla polskich chemików, farmakologów i materiałoznawców najważniejsze jest to, że przepis jest otwarty i można go powtórzyć na własnych danych, bez wysyłania ich do zewnętrznego dostawcy. To ma znaczenie przy danych objętych tajemnicą przedsiębiorstwa lub umowami z partnerami przemysłowymi.

Ograniczeniem jest język. LitmusBench zawiera tylko pytania po angielsku, a polski nie należy do języków oficjalnie obsługiwanych przez model, więc agent powinien pracować na angielskiej dokumentacji i nomenklaturze. W naszej ocenie najrozsądniej zacząć od małego, dobrze opisanego zadania z mierzalnym wynikiem, takiego jak przykład z metabolizmem leków, i porównać dotrenowany model z obecnie używanym narzędziem.

Źródła i data sprawdzenia

  1. NVIDIA Introduces Nemotron for Science to Accelerate Discoveries With AgentsNVIDIA Newsroom, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  2. Post-Training NVIDIA Nemotron to Increase Accuracy in Your Scientific DomainNVIDIA Technical Blog, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  3. Nemotron-RL-litmus-bench-v0.2Hugging Face, NVIDIA, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  4. NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16Hugging Face, NVIDIA, publikacja: 2026-10-15, sprawdzono: 2026-11-16
Nota redakcyjna

Artykuł ma charakter informacyjny. Przy decyzjach prawnych, finansowych lub organizacyjnych warto zweryfikować wnioski w odniesieniu do konkretnej sytuacji.