L'ESSENTIEL EN 30 SECONDES
- L'ensemble réunit le modèle ouvert Nemotron 3.5 Super VL, le jeu de données de chimie LitmusBench v0.2 (près de 50 000 questions) et des recettes de post-entraînement pour agents scientifiques.
- Les poids du modèle et le jeu de données sont sur Hugging Face ; le modèle est optimisé pour tourner en local sur un DGX Spark de 128 Go.
- Terray, Lila Sciences, Therna, Argonne, Jülich, le KTH et RIKEN sont cités comme utilisateurs ; leurs résultats sont communiqués par Nvidia, sans vérification indépendante.
Nvidia a profité de la conférence de supercalcul SC26 de Chicago pour présenter le 16 novembre Nemotron for Science, un ensemble destiné à aider les chercheurs à concevoir des agents d'IA spécialisés dans le travail scientifique. C'est moins un nouveau modèle qu'une boîte à outils autour d'un modèle existant.
Le contenu de l'offre
La base est Nemotron 3.5 Super VL, un modèle multimodal ouvert. D'après Unite.AI, qui s'appuie sur sa fiche technique, il a été publié sur Hugging Face à la mi-octobre, compte environ 120 milliards de paramètres dont quelque 12 milliards actifs, et accepte texte, images et vidéo. Nvidia indique qu'il est optimisé pour fonctionner en local sur un DGX Spark doté de 128 Go de mémoire.
Les nouveautés sont LitmusBench v0.2, un jeu de données ouvert de près de 50 000 questions de chimie tirées de propriétés moléculaires et de données expérimentales de découverte de médicaments (solubilité, métabolisme…), ainsi que des recettes de post-entraînement pour adapter le modèle à des tâches comme les expériences de chimie ou la conception de protéines. Les agents ainsi construits peuvent appeler les outils scientifiques accélérés CUDA-X de Nvidia. Les poids et le jeu de données sont disponibles dès maintenant sur Hugging Face. Le communiqué ne précise pas les licences ; Unite.AI mentionne CC-BY-SA-4.0 et OpenMDW-1.1 pour le jeu de données.
Qui l'utilise
Nvidia cite plusieurs premiers utilisateurs. Terray Therapeutics a entraîné le modèle à extraire des réactions de schémas chimiques et dit retrouver environ 76 % des réactions annotées du test RxnScribe. Lila Sciences affirme qu'après un post-entraînement nourri des retours du laboratoire, la précision sur des protocoles de synthèse de boîtes quantiques est passée à 61 %, contre 54 % pour un modèle de pointe qu'elle désigne comme GPT-6 Astra, pour un coût d'inférence 10 à 20 fois inférieur. Therna l'applique à la conception de thérapies à ARNm. Le KTH, l'Institut royal de technologie suédois, a construit un agent qui a réparé 81 % de configurations défaillantes de dynamique moléculaire GROMACS en une nuit, sur un seul DGX Spark.
Côté recherche publique, le laboratoire national d'Argonne intègre Nemotron à son système multi-agents StructBioReasoner, consacré à des candidats thérapeutiques à base de protéines ; le centre de supercalcul allemand de Jülich l'ajoute à ses agents de découverte ; et le japonais RIKEN propose les modèles Nemotron sur sa plateforme RIKYU via la passerelle d'inférence RiVault.
Réserves
Tous les chiffres des partenaires proviennent de l'annonce de Nvidia et portent sur des tâches étroites et bien délimitées ; aucun n'avait été reproduit de façon indépendante au lancement. Comme le souligne Unite.AI, ce type de gain dépend de la capacité du système de notation automatique à mesurer le résultat scientifique qui compte vraiment, et ne démontre pas que des agents peuvent piloter seuls un laboratoire.
