輝達 SC26 發表 Nemotron for Science:120 億參數多模態模型與近五萬題化學評測開源登場
輝達在 SC26 推出 Nemotron for Science 開源科研計畫,結合 Nemotron 3.5 Super VL 多模態模型與近 5 萬題化學評測 LitmusBench v0.2,加速實驗室自主研究。
很多人以為開源模型在科學研究上只能幫忙翻譯論文,但輝達這次在 SC26 推出的 Nemotron for Science 直接把目標鎖定在自主實驗室代理。
2026 年 11 月在芝加哥舉行的 SC26 超級運算大會上,輝達正式發表 Nemotron for Science 開源科研平台,涵蓋多模態基礎模型、近 5 萬題化學基準評測與強化學習後訓練框架。
這項發布最核心的武器,是總參數 1,200 億、每次推論僅啟動 120 億活躍參數的 Nemotron 3.5 Super VL 模型,以及開源化學評測集 LitmusBench v0.2。
科學研究長期卡在圖表判讀困難、機密實驗數據不敢上傳公有雲,以及通用聊天模型不懂專業物理與化學約束。
輝達這套開源工具鏈直接把模型壓進本地端與國家級超算叢集,讓研究機構能用自有實驗數據微調專屬代理,而不必把核心智財交給外部雲端 API。
接下來我們會拆解 Nemotron 3.5 Super VL 的架構設計、LitmusBench v0.2 的評測價值、NeMo 強化學習訓練流程,以及國家實驗室與生技公司的實際採用案例。
輝達 Nemotron for Science 在 SC26 解決什麼科研痛點
過去幾年,大型語言模型雖然能快速整理文獻,但在真實科研場景中往往派不上用場。原因很現實,通用模型大多只看純文字,面對化學結構式、光譜曲線與蛋白質摺疊圖表時經常產生幻覺。
更麻煩的是製藥與材料實驗室的數據高度機密。研究人員不可能把尚未申請專利的分子活性紀錄,直接貼進第三方閉源雲端模型裡進行對話分析。
從聊天工具轉向可本地部署的科學代理
輝達 Nemotron for Science 的設計初衷,就是把科研 AI 從網頁對話框搬進實驗室的本地工作站與超級電腦。所有模型權重、訓練配方與評測資料都採開源釋出,放在 Hugging Face 與 NVIDIA NIM 平台上供下載。
這代表研究團隊可以直接在單機桌面型超算 DGX Spark,或是大型高校運算叢集內離線運行。實驗室既能保有完整的資料主權,又能讓 AI 代理直接呼叫本地端的模擬軟體與機器人手臂。
為什麼科研代理需要多工具串接能力
真正的自主科研不是模型自己猜出答案,而是代理系統能閱讀文獻後寫出程式碼、呼叫模擬工具驗證假設,再根據失敗結果修正下一輪實驗參數。
輝達把 Nemotron 深度整合進 CUDA-X 加速科學軟體庫,讓模型能穩定輸出結構化的函式呼叫指令。當模型在分析藥物分子時,它可以主動啟動分子動力學計算或資料庫比對,把語言推理轉成可重複驗證的科學計算流程。
延伸閱讀:Mistral Large 4 寫出量子化學求解器:分子斷鍵示範,如何驗證數值與畫面?

Nemotron 3.5 Super VL 模型架構與 120 億活躍參數解析
這次發布的核心模型名為 Nemotron 3.5 Super VL,採用混合專家架構。它的總參數量達到 1,200 億,但在處理每一個詞元時,系統只會動態挑選並啟動其中的 120 億活躍參數。
這種稀疏啟動設計讓模型同時保有大型知識庫的深度,以及中型模型的推論速度與硬體友善度。對預算有限的大學實驗室來說,不用租用龐大的多機櫃 GPU 叢集,也能跑出接近前沿閉源模型的推理表現。
混合 Mamba-Transformer 與多詞元預測優勢
在底層架構上,Nemotron 3.5 Super VL 結合了 Mamba 狀態空間模型與傳統 Transformer 注意力機制,並導入多詞元預測技術。這項設計解決了傳統長文本模型記憶體爆滿的難題。
因此,模型能夠原生支援高達 100 萬個詞元的上下文視窗。研究人員可以把整本實驗紀錄簿、數十篇參考論文 PDF 與多段實驗室監控影片一次餵進模型,讓它跨文件追蹤變因之間的因果關聯。
原生多模態如何看懂論文圖表與實驗影像
科學知識有一半以上藏在圖表與結構圖裡。Nemotron 3.5 Super VL 原生支援文字、高解析度圖片、複雜排版文件與影片輸入,不需要額外外掛脆弱的文字辨識轉譯層。
這項能力讓模型能直接讀取 PDF 論文裡的化學反應路徑圖、顯微鏡切片影像或儀器波形輸出,並將視覺資訊直接轉化為後續推理與工具呼叫的依據,大幅減少資訊在轉譯過程中遺失的誤差。
為什麼多詞元預測能加快自主代理的試錯循環
自主科研代理通常需要連續執行數十輪「思考、寫程式、呼叫工具、讀取報錯」的長鏈條操作。如果模型每吐出一個字元都要重新掃描龐大的記憶體快取,整體等待時間會讓實驗室自動化設備陷入停擺。
透過多詞元預測技術,Nemotron 3.5 Super VL 能在單次前向運算中同時預測後續多個詞元,大幅拉高推論吞吐量。這讓研究團隊在跑大規模化合物篩選時,能夠在更短時間內完成上百組模擬迴圈,把算力真正花在驗證假設而不是等待文字生成。
| 模型與計畫核心項目 | 規格與設計重點 | 對科研團隊的實際價值 |
|---|---|---|
| 基礎模型架構 | Nemotron 3.5 Super VL 混合專家模型 | 總參數 1,200 億但僅啟動 120 億,兼顧智商與速度 |
| 上下文與模態 | 100 萬詞元視窗、文字/影像/文件/影片 | 一次讀完整套實驗日誌、論文圖表與儀器畫面 |
| 基準評測資料集 | LitmusBench v0.2 近 5 萬道化學題目 | 用真實藥物探索數據驗證分子性質與溶解度 |
| 後訓練強化工具 | NeMo Gym 與 NeMo RL 框架 | 允許實驗室用自有數據打造專屬強化學習環境 |
LitmusBench v0.2 為什麼選用近五萬題化學實戰評測
許多通用模型在公開考題上分數極高,一進到藥廠研發部門卻頻頻出錯。問題在於傳統基準測試偏重教科書式的選擇題,無法反映真實實驗室裡充滿雜訊與邊界條件的分子數據。
為了解決評估失真的問題,輝達同步開源了 LitmusBench v0.2 資料集。這個評測套件收錄將近 5 萬道化學領域專屬問題,資料來源直接取自真實藥物探索過程中的實驗量測結果。
真實藥物探索數據與 ADME 性質預測
LitmusBench v0.2 重點考驗模型對分子行為、溶解度以及藥物在人體內吸收、分佈、代謝與排泄性質的判斷能力。這些指標決定了一個候選化合物究竟能不能成為安全有效的藥物,是新藥開發早期最耗時也最容易失敗的關卡。
透過將這近 5 萬道題目公開,全球研究團隊有了一把共同的尺。實驗室可以在微調前後跑一次 LitmusBench v0.2,客觀確認模型到底有沒有真正學會化學規律,而不是單純背誦網路上的論文摘要。
結合 NeMo Gym 與 NeMo RL 打造專屬實驗室代理
光有公開考題還不夠,真正讓實驗室拉開差距的是自己的歷史實驗數據。輝達在這次計畫中提供完整的後訓練配方,核心就是 NeMo Gym 與 NeMo RL 兩套開源框架。
研究人員可以把過去失敗與成功的合成紀錄,放進 NeMo Gym 轉化成可打分的強化學習環境,再透過 NeMo RL 訓練代理模型反覆試錯。這種做法讓模型不再只是被動回答問題,而是逐步內化該實驗室獨有的工藝偏好與安全限制。
延伸閱讀:NVIDIA Nemotron PII Japan:10 萬份合成文件,怎麼測 AI 去識別化的漏刪與誤刪?
國家實驗室與生技新創如何把模型搬進真實研發線
Nemotron for Science 並非停留在發表會簡報上的概念驗證,多座全球頂尖超級運算中心與生技公司已經在 SC26 同步公開實際部署進展。這些案例顯示開源科研模型正快速成為標準基礎設施。
阿貢國家實驗室與全球超算中心的整合案例
美國能源部旗下的阿貢國家實驗室,已經將 Nemotron 整合進名為 StructBioReasoner 的多代理生物結構推理系統,用於加速治療性藥物設計。當系統需要分析蛋白質與配體的結合模式時,模型能協調多個專業模擬代理分頭計算。
除了美國國家實驗室,德國 Jülich 超級運算中心、瑞典 KTH 皇家理工學院以及日本理化學研究所 RIKEN,也都將這套開源堆疊嵌入既有的高效能運算架構。國家級運算中心選擇開源模型的主因非常明確,可控性與長期可重現性遠勝商業黑箱 API。
生技公司在化學反應萃取與 mRNA 設計的實戰成效
在產業界,Terray Therapeutics 利用客製化後的模型從複雜科學圖表中自動萃取化學反應步驟,大幅縮減人工整理文獻的時間。Lila Sciences 則將其用於自動化量子點實驗室的合成協議生成,直接對接實驗室自動化設備。
專注於核糖核酸療法的 Therna,也透過微調版本協助設計 mRNA 治療序列。這些生技團隊的共同策略,都是拿開源的 Nemotron 3.5 Super VL 當作底座,再疊加自家實驗數據超越過去通用的前沿基準模型。
開源科研模型對閉源雲端 API 與製藥產業的衝擊
Nemotron for Science 的出現,正在改變科研機構採購 AI 工具的決策邏輯。過去兩年,許多大學與新創只能依賴商用閉源 API 來整理文獻,但只要進入核心分子最佳化與合成路徑設計階段,資安與法務部門就會立刻喊停。
數據不出門成為生技與材料研發的硬性標準
新藥與特用化學品的研發成本動輒數億美元,失敗的實驗數據往往比成功的論文更有商業價值,因為它能避免競爭對手重複走冤枉路。把這類高敏感數據送進外部雲端伺服器,對任何上市藥廠而言都是無法承擔的風險。
當開源模型在專業化學評測上的表現追上甚至超越通用閉源模型,研發主管自然會優先選擇在內部機房部署 Nemotron 權重。這種「模型跟著數據走、而不是數據上傳雲端」的架構,將成為未來幾年高階科研 AI 的主流部署形態。
從單點工具升級為可稽核的標準科研基礎設施
另一個容易被忽略的優勢是實驗可重現性。科學研究要求任何結論都必須能被獨立驗證,但商業閉源 API 經常在背景靜默更新模型權重,導致研究團隊三個月前跑出來的分析結果,三個月後卻無法完全重現。
透過鎖定開源權重版本與本地端 NVIDIA NIM 容器部署,實驗室可以把每一次模擬背後的模型狀態完整封存。無論是期刊審稿或藥監機構查核,研究人員都能拿出確切的軟體環境與推理紀錄,這正是商業黑箱模型短期內難以提供的制度信任感。
對台灣與全球的生技製藥團隊以及大學實驗室來說,現在正是把內部化學反應庫與失敗實驗紀錄整理成強化學習資料集的最佳時機。當基礎模型已經免費開源,真正決定科研代理能力高低的,將是實驗室自己握有多少高品質的專屬實驗數據。
常見問題
Nemotron 3.5 Super VL 是 120 億還是 1,200 億參數模型?
它採用混合專家架構,總參數量為 1,200 億,但在每次推論運算時只會動態啟動其中 120 億活躍參數。這樣的設計讓研究團隊能用接近 120 億等級模型的運算成本與延遲,換取 1,200 億級別的跨學科知識容量。
什麼是 LitmusBench v0.2?它跟一般化學題庫有什麼不同?
LitmusBench v0.2 是輝達開源的化學與分子性質評測集,包含將近 5 萬道題目。它不像傳統題庫只考課本知識,而是源自真實藥物探索實驗數據,專門測試模型預測分子溶解度與藥物體內代謝性質的實戰能力。
實驗室一定要買超大型機櫃才能用 Nemotron for Science 嗎?
不一定。因為推論時只啟動 120 億參數且支援量化與高效部署,除了大型機構超算叢集外,研究團隊也能在體積小巧的 NVIDIA DGX Spark 本地端系統或工作站上運行,確保敏感實驗數據完全不離開實驗室網路。
輝達為什麼要免費開源科研模型與訓練配方?
輝達的核心商業模式是賣出更多運算晶片與超算平台。把好用的科研基礎模型、評測集與 CUDA-X 訓練工具全部免費開源,能吸引全球大學與生技公司更快把研究流程搬到輝達硬體與 NeMo 軟體生態系上。
結語
輝達在 SC26 推出的 Nemotron for Science,代表開源多模態模型正式跨過「只能摘要論文」的門檻,開始承擔讀取實驗圖表、預測分子性質與協調模擬工具的自主科研工作。
這項發布特別適合正在建置內部 AI 科研助理、且對數據保密要求極高的製藥廠、材料實驗室與高校運算團隊;不適合只想要開箱即用商業客服工具、沒有任何工程微調能力或實驗數據沉澱的一般企業。因為開源權重與 NeMo RL 框架真正的威力,建立在你能餵給它多少專屬的成功與失敗實驗紀錄。
想持續追蹤開源科研模型、生技 AI 突破與全球超算生態的最新進展,歡迎免費訂閱 AI 郵報,我們會定期為你拆解最關鍵的技術規格與產業落地案例。