Новости · Инструменты

NVIDIA собрала набор для научных ИИ-агентов: модель, датасет и рецепты дообучения

На SC26 NVIDIA представила Nemotron for Science — открытую модель Nemotron 3.5 Super VL, химический датасет и рецепты постобучения, из которых, по словам компании, собирается агент, планирующий эксперименты и запускающий код.

Редакция DeepMe
· 3 мин чтения
Стопки бумажных карточек, керамический шар и лента, соединённая ступенчатыми кубиками на столе.
Иллюстрация к теме новости
Первоисточник: NVIDIAМатериал источника от 17.11.2026

Адаптация и понятное объяснение для начинающих. Заявления приведены по материалу источника.

Агент, собранный на новом наборе NVIDIA, получил один промпт — и сам спланировал гипотезы, выбрал симуляции для проверки и нашёл два новых сайта связывания. Об этом на конференции SC26 в Чикаго рассказал Иан Бак, вице-президент NVIDIA по гипермасштабируемым и высокопроизводительным вычислениям. Речь шла о Nemotron for Science — наборе для научных ИИ-агентов.

Что в нём лежит: открытая модель Nemotron 3.5 Super VL, новый открытый датасет по химии и рецепты постобучения (дообучения) для химии и наук о жизни. По словам Бака, запускать всё это можно локально — на рабочей станции DGX Spark, обычной рабочей станции или собственном суперкомпьютере. Компания подчёркивает принцип: «Вы владеете данными. Вы владеете моделью».

Зачем агенту открытая модель и датасет

Агент в этом контексте — не чат, который отвечает на вопросы, а программа, которая выполняет цепочку действий: строит план, вызывает инструменты, запускает код, смотрит на результат и корректирует следующий шаг. Для научной работы такая петля важна, потому что проверка гипотезы — это обычно не один запрос, а серия симуляций и расчётов.

Открытость здесь не абстрактная ценность. Если модель, данные и рецепты дообучения доступны, исследовательская группа может дообучить модель на своих данных и не отправлять их наружу. Именно это NVIDIA называет своим аргументом — но независимых проверок в сообщении нет, все примеры приводит сама компания.

Примеры, которые привёл Бак

  • В Аргоннской национальной лаборатории агент на этом наборе по одному промпту планировал и проверял гипотезы и нашёл два новых сайта связывания.
  • Агент от KTH Royal Institute of Technology самостоятельно чинит сломанные конфигурации GROMACS — пакета для молекулярной динамики. За одну ночь на одном DGX Spark он исправил 81% тестовых случаев.
  • В SETI Institute агент по однострочному промпту построил график метаноловой линии на Allen Telescope Array.
  • Nsight AI Porting Agent перенёс рутину из модели погоды WRF на GPU, ускорив её более чем в 5 раз, — по словам Бака, примерно за 150 млн токенов.

Цифры стоит читать как заявления NVIDIA: методики, размеры тестовых наборов и условия запуска в сообщении не раскрыты. Особенно это касается «81% исправленных случаев» — без описания того, что считалось поломкой и что успехом.

Что ещё было в докладе

Бак также представил GPU Rubin HPC для научных и инженерных задач (ожидается в 2028 году), расширенную платформу Vera CPU — её выбрал немецкий климатический центр DKRZ для суперкомпьютера HLRE-5 — и совместный проект с IBM и Fermilab по платформе для квантового кодзайна и коррекции ошибок. Отдельно он упомянул алгоритм декодирования TCBP-JOBS в CUDA-Q, который, по его словам, сокращает расчёт для исследования коррекции ошибок с 12 недель до 45 минут.

Для тех, кто работает с ИИ в науке, главное в этом анонсе — не железо, а формат поставки: модель плюс данные плюс рецепты дообучения, которые, по заявлению NVIDIA, можно поднять на своей машине. Насколько это удобно на практике и насколько хорошо агент справляется за пределами показанных примеров, по пресс-релизу судить нельзя.