NVIDIA 在芝加哥 SC26 大会发布 Nemotron for Science,把开源模型 Nemotron 3.5 Super VL、科学评测、新的开放化学数据集 LitmusBench v0.2(近 5 万题)和后训练配方打包,帮助研究者构建能规划任务、跑模拟、检查结果的科研 Agent。官方称 Lila Sciences 后训练后量子点合成准确率达 61%,高于 GPT-6 Astra 的 54%,推理成本低 10–20 倍;模型和数据集已上架 Hugging Face。
核心要点速览
- ✓Nemotron for Science 由 Nemotron 3.5 Super VL 开源模型、科学评测、LitmusBench v0.2 数据集和后训练配方组成
- ✓LitmusBench v0.2 是近 5 万题的开放化学推理数据集,基于分子性质和药物发现实验数据,可用于评测和后训练
- ✓官方案例:Lila Sciences 量子点合成准确率后训练后达 61%(GPT-6 Astra 为 54%),推理成本低 10–20 倍;Terray 在 RxnScribe 上恢复约 76% 的标注反应
- ✓KTH 在单台 DGX Spark 上用 Nemotron Agent 一夜修复 81% 的 GROMACS 测试用例;Argonne、Jülich、RIKEN 已接入
- ✓模型和数据集已在 Hugging Face 上线,Nemotron 3.5 Super VL 可在 128GB DGX Spark 本地运行

关键决策指标一览
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价,支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
通用大模型在化学、蛋白设计等专业任务上准确率不够,研究机构又常要求在自有算力上运行。NVIDIA 在 SC26 大会上由副总裁 Ian Buck 宣布 Nemotron for Science,官方账号 @NVIDIAAI 在 X 同步发布。
架构亮点与底层机制
套件以开源多模态模型 Nemotron 3.5 Super VL 为底座,配套科学评测、后训练配方和新数据集 LitmusBench v0.2。研究者可用领域数据后训练模型,再接入能解读文献、写代码、调用 CUDA-X 计算工具的 Agent 工作流,从 DGX Spark 桌面机扩展到超算中心。
权威 Benchmark 与实测跑分对比
以下均为 NVIDIA 公布的合作方结果:Lila Sciences 经实验反馈后训练,量子点合成准确率接近翻倍至 61%,高于 GPT-6 Astra 的 54%,推理成本低 10–20 倍;Terray 在 RxnScribe 上恢复约 76% 标注反应;Therna 的 mRNA 蛋白表达预测准确率接近翻倍;KTH 的 Agent 在单台 DGX Spark 上一夜修复 81% 的 GROMACS 用例。
开发者实战落地与开箱指南
Nemotron 3.5 Super VL 和 LitmusBench v0.2 已在 Hugging Face 提供,模型针对 128GB DGX Spark 本地运行做了优化。NVIDIA 技术博客给出了针对科学领域做后训练的步骤,适合做化学、材料、生物 Agent 的团队参考。
即刻查看该技术对应模型与主流工具的实测差异,或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察