発表の構成は、既存のオープンモデルを科学分野に適応させるための資源一式だ。基盤はNemotron 3.5 Super VLで、科学分野の評価、新しいオープン化学データセット、事後学習のレシピを組み合わせる。汎用モデルには専門的なデータと外部計算による検証が足りないという問題意識から、モデル・データ・評価・学習手順を一つの取り組みにまとめた。新しい基盤アーキテクチャの提案ではなく、公開資源と応用事例の発表にあたる。
- 01 事後学習
専門データで適応
ドメイン特化のデータでNemotronオープンモデルをポストトレーニングし、専門課題の性能を上げる
- 02 エージェント統合
解釈・コード生成・ツール呼び出し
学習したモデルを、科学情報を解釈しコードを生成し計算ツールを呼ぶエージェントの流れに組み込む
- 03 計算実行
CUDA-X加速ツール
エージェントの流れがCUDA-Xの加速ツールを使って科学計算を実行する
- 04 外部検証
対象ツールで確認
報告された例では、GROMACSの修復エージェントが直した構成をGROMACS自体が独立に検査した
NVIDIAプレスリリースのPost-Training節とKTHの事例説明(2026-11-17確認)。最後の検証ステップはKTH事例での実施内容。
化学推論の学習と評価に使えるのがLitmusBench v0.2だ。Hugging Faceのデータセットカードによると、学習用47,118問と試験用2,056問の短答形式で、ChEMBL、ExpansionRx、Biogenのデータセットから作られ、一部の問題はRDKitの記述子を使う。分子の挙動、たとえば溶解度や生体内での処理の予測能力を鍛えることを目的に、強化学習(RLVR)での学習を想定してNeMo Gymの一部として公開されている。ライセンスはChEMBL由来の問題がCC BY-SA 4.0、その他がOpenMDW 1.1で、商用・非商用ともに利用可能と明記されている。
Terray Therapeutics
- 報告された内容
- 反応図から反応物・生成物・反応条件を抽出するようポストトレーニング
- 数値
- RxnScribe試験で注釈付き反応の約76%を回復(ベンチマークの一致基準)
Lila Sciences
- 報告された内容
- 自動化ラボ向けの実行可能な実験プロトコル設計。追加ファインチューニングなしでフロンティア級
- 数値
- 量子ドット作製の精度がポストトレーニングで約2倍の61%。GPT-6 Astraの54%を推論費用10〜20分の1で上回る
Therna
- 報告された内容
- NVIDIAと協力しmRNA治療設計向けにポストトレーニング
- 数値
- タンパク発現量範囲の予測精度がフロンティアモデル比で約2倍。説明の選好はベースモデルとの比較で96%
KTH王立工科大学
- 報告された内容
- 壊れたGROMACS分子動力学の構成を自律修復するエージェント
- 数値
- 単一DGX Sparkでの一晩の実行で81%の試験ケースを修復(推論有効)。修復はGROMACS自体が独立に検査
Argonne国立研究所
- 報告された内容
- がんなどのタンパク治療候補を設計・評価するStructBioReasonerマルチエージェントに統合
- 数値
- 数値の公表なし
RIKEN
- 報告された内容
- RIKYU AIスーパーコンピューティング基盤でRiVault推論ゲートウェイ経由の利用を提供
- 数値
- 数値の公表なし
NVIDIAプレスリリース(2026-11-17確認)。数値はNVIDIAと協力組織の報告値で、独立検証はされていない。
「Nemotron for Scienceは、研究者にオープンモデル、科学データ、事後学習のレシピを与え、科学的問題を推論しCUDA-Xの加速ツールを使ってアイデアを発見に変える専門エージェントを作れるようにする。」
Nemotron for Science gives researchers open models, scientific data and post-training recipes to build specialized agents that reason through scientific problems and use CUDA-X accelerated tools to turn ideas into discoveries.
公開状況は、Nemotron 3.5 Super VLとLitmusBench v0.2がHugging Faceで入手可能で、モデルは128GBのDGX Sparkシステムでのローカル実行に最適化されたとリリースは述べる。研究者個人のデスクトップからスーパーコンピューティングセンターまで同じモデル群を使える位置づけで、RIKENの例は国内の大規模基盤からのアクセスを示す。
読むときの留保として、発表の数値はすべてNVIDIAと協力組織の報告値で、第三者による独立検証はされていない。科学的成果や実運用の性能を保証するものではなく、mRNA設計のような応用は臨床的有効性を示すものでもない。モデル側のカードや学習レシピの実ファイルの内容、利用条件の細部は今後の確認対象で、未知の課題への汎化や誤り率、学習・推論・検証を含めた総費用の公表も現時点では限定的だ。汎用モデルの規模競争ではなく、専門データ・検証ツール・事後学習の組み合わせで特定分野のエージェントを作る設計の一事例として読むのが妥当な範囲だ。
出典
- NVIDIA Introduces Nemotron for Science to Accelerate Discoveries With AgentsNVIDIAプレスリリース(2026-11-16)。発表内容、協力組織の数値(81%、約76%、61%対54%、96%)、公開状況の一次資料
- Hugging Face: nvidia/Nemotron-RL-litmus-bench-v0.2LitmusBench v0.2データセットカード。学習47,118問・試験2,056問、出典データセット、ライセンス(CC BY-SA 4.0/OpenMDW 1.1)の確認
出典の確認日 2026.11.17