Categorías: Noticias

NVIDIA presentó Nemotron for Science para desarrollar agentes de IA especializados en investigación científica

NVIDIA presentó Nemotron for Science, que combina un modelo abierto, datos de química y posentrenamiento para crear agentes de IA científicos.

Compartir

NVIDIA presentó Nemotron for Science, un conjunto de herramientas basado en el modelo abierto Nemotron 3.5 Super VL para desarrollar agentes de inteligencia artificial especializados en investigación científica. La iniciativa incorpora datos de entrenamiento, evaluaciones de razonamiento químico y procedimientos de posentrenamiento destinados a tareas de química, diseño de proteínas y desarrollo de tratamientos biomédicos.

Nemotron for Science combina posentrenamiento, datos de química y cálculo acelerado con CUDA-X

Nemotron for Science permite adaptar modelos de IA mediante posentrenamiento con información de disciplinas específicas, de manera que puedan interpretar documentos científicos, generar código y utilizar herramientas computacionales. Los agentes resultantes pueden ejecutar cálculos especializados mediante las bibliotecas aceleradas NVIDIA CUDA-X, integrando el razonamiento del modelo con aplicaciones científicas.

Ficha técnica
NVIDIA Nemotron for Science
Modelo de IA científica de nueva generación
Arquitectura
120 mil millones
Parámetros totales
Parámetros totales del modelo
General
Nemotron 3.5 Super VL
Modelo base
Publicado el 15 de octubre de 2026
Arquitectura
12 mil millones
Parámetros activos
Parámetros activos por inferencia
Arquitectura
Híbrida Mamba-2 y Transformer con mezcla de expertos
Tipo de arquitectura
512 expertos por capa
Capacidades
Hasta1 millóntokens
Ventana de contexto
Contexto largo para ciencia
Capacidades
20idiomas
Idiomas de entrenamiento
Inglés y otros 19 idiomas
Capacidades
43
Lenguajes de programación
Soporte multilenguaje de código
Hardware
4 GPU H100 o 2 GB200
Hardware requerido
Ejecución local en DGX Spark de 128 GB
LitmusBench
49174preguntas
Preguntas totales
Conjunto de datos de química
Fuente: NVIDIA

Uno de sus componentes es LitmusBench v0.2, un conjunto abierto de datos que reúne cerca de 50000 preguntas para entrenar y evaluar modelos de lenguaje en razonamiento químico. Sus contenidos incluyen propiedades moleculares y resultados experimentales de investigación farmacológica, con pruebas relacionadas con la solubilidad de sustancias y su procesamiento dentro del organismo humano.

Resultados de Nemotron 3.5 Super VL, base de Nemotron for Science, en pruebas científicas frente a otros modelos
Precisión de Nemotron 3.5 Super VL en pruebas científicas frente a Nemotron 3 Super, gpt-oss-120b e Inkling Small | Créditos: NVIDIA

Terray, Lila Sciences y Therna adaptaron Nemotron para química, materiales y ARN mensajero

Terray Therapeutics realizó posentrenamiento de Nemotron para identificar reactivos, productos y condiciones de reacción directamente desde diagramas científicos, superando resultados publicados anteriormente en dos evaluaciones. En la prueba RxnScribe, el modelo recuperó aproximadamente el 76% de las reacciones anotadas, según los criterios de coincidencia establecidos por ese benchmark.

Lila Sciences utilizó Nemotron para generar protocolos experimentales destinados a sus laboratorios automatizados, obteniendo resultados comparables con modelos avanzados sin necesidad de ajustes adicionales. La compañía también incorporó información procedente de sus experimentos para mejorar el desempeño del modelo en tareas de síntesis de materiales.

En las pruebas de Lila Sciences para fabricar puntos cuánticos, cristales nanométricos empleados en pantallas y paneles solares, el posentrenamiento permitió alcanzar una precisión del 61%, casi el doble del resultado anterior del modelo. NVIDIA comparó ese resultado con el 54% registrado por GPT-6 Astra para la misma tarea y declaró un costo de inferencia entre 10 y 20 veces menor, según sus propias evaluaciones.

Por su parte, Therna trabajó con NVIDIA en el ajuste de Nemotron para diseñar tratamientos basados en ARN mensajero, consiguiendo casi duplicar la precisión en la predicción de intervalos de expresión de proteínas respecto de modelos avanzados. Los investigadores también prefirieron las explicaciones generadas por la versión ajustada frente a las del modelo original en el 96% de las comparaciones realizadas.

Argonne, KTH y RIKEN usan Nemotron en agentes científicos y supercomputación

El Laboratorio Nacional Argonne, perteneciente al Departamento de Energía de Estados Unidos, está incorporando Nemotron en StructBioReasoner, un sistema multiagente destinado al diseño y evaluación de proteínas candidatas para tratamientos contra el cáncer y otras enfermedades. El centro de supercomputación de Jülich también trabaja en su integración dentro de agentes utilizados para investigación científica y descubrimiento de fármacos.

Otra aplicación corresponde al KTH Royal Institute of Technology de Suecia, donde desarrollaron un agente capaz de reparar configuraciones defectuosas de GROMACS, un programa utilizado para simulaciones de dinámica molecular. Durante una ejecución nocturna sobre un único NVIDIA DGX Spark, el agente corrigió el 81% de los casos de prueba con razonamiento activado y cada reparación fue verificada de manera independiente mediante GROMACS.

NVIDIA DGX Spark, equipo de escritorio con 128 GB de memoria en el que Nemotron 3.5 Super VL puede ejecutarse localmente | Créditos: NVIDIA

En Japón, RIKEN incorporó Nemotron 3.5 Super VL a su infraestructura de supercomputación RIKYU AI mediante RiVault, un servicio de acceso a modelos para inferencia destinado a investigadores y desarrolladores de aplicaciones científicas.

NVIDIA confirmó que Nemotron 3.5 Super VL y LitmusBench v0.2 ya se encuentran disponibles en Hugging Face. El modelo también fue optimizado para ejecutarse localmente en equipos NVIDIA DGX Spark con 128 GB de memoria, mientras que las implementaciones de mayor escala pueden utilizar infraestructura de centros de datos y supercomputación.

Ivan

Editor especializado en ciencia y tecnología, con foco en innovación, inteligencia artificial, telecomunicaciones y centros de datos. Trabajo con un enfoque riguroso y técnico, desarrollando contenidos sobre semiconductores, energía, ciberseguridad e infraestructura tecnológica.

Los comentarios de Disqus están cargando....