NVIDIA presentó el 16 de noviembre Nemotron for Science, una iniciativa que reúne un modelo de inteligencia artificial existente, preguntas de química y métodos para adaptarlo a tareas de investigación. La propuesta busca que los laboratorios construyan agentes capaces de trabajar con sus herramientas y datos. Los resultados que la empresa mostró abarcan tareas concretas, como diseñar protocolos de laboratorio o corregir configuraciones de simulación, y no establecen por sí solos un rendimiento general para toda la ciencia.
El anuncio llegó durante la conferencia de supercomputación SC26, en Chicago. El modelo base es Nemotron 3.5 Super VL, que puede procesar texto, imágenes y otros materiales visuales. La compañía ofrece sus pesos para que los investigadores lo adapten e integren en sistemas que usan herramientas de cómputo.
Una colección científica sobre un modelo anterior
Super VL no debutó con este anuncio. NVIDIA lo presentó el 15 de octubre para crear agentes especializados, con 120,000 millones de parámetros en total y 12,000 millones activos por token, una unidad de información que procesa el modelo. FomoEra ya había explicado sus capacidades y las condiciones de algunas de sus comparaciones empresariales.

La iniciativa científica incorpora LitmusBench v0.2, un conjunto de preguntas de respuesta corta para entrenar y evaluar modelos en química. Su ficha en Hugging Face enumera 49,174 preguntas: 47,118 para entrenamiento y 2,056 para pruebas. Los datos abarcan 126 propiedades y 12 resultados de ensayos, y proceden de ChEMBL, ExpansionRx y Biogen, con descriptores calculados mediante RDKit para algunas preguntas.
Aunque NVIDIA presenta el conjunto como nuevo en su comunicado, la ficha del propio conjunto indica que fue creado el 2 de septiembre de 2026. Esa fecha describe su creación; por sí sola no establece cuándo se hizo público. El anuncio del 16 de noviembre reúne ese material con el modelo y las instrucciones de adaptación bajo el nombre Nemotron for Science.
Cómo se adapta a una tarea de laboratorio
El ajuste posterior al entrenamiento permite partir del modelo general y especializarlo con datos de un campo concreto. En una guía técnica, NVIDIA muestra un ejemplo de predicción del metabolismo de fármacos: el modelo recibe una molécula y una enzima y propone la molécula que resultaría de su interacción.
Un verificador compara la estructura propuesta con el resultado de un registro experimental. Esa comparación produce una puntuación que puede utilizarse para seguir entrenando el modelo. La guía recurre a NeMo Gym para el entorno de evaluación y a NeMo RL para el entrenamiento por refuerzo.
El procedimiento aprovecha resultados ya registrados para medir respuestas. Una coincidencia con esos datos no confirma, por sí misma, que la predicción de un compuesto desconocido vaya a cumplirse en un experimento nuevo.
Las cifras de Lila se refieren a una prueba concreta
NVIDIA afirma que Lila Sciences usó Nemotron para diseñar protocolos de sus laboratorios automatizados. En una tarea relacionada con la fabricación de puntos cuánticos, pequeños cristales utilizados en pantallas y paneles solares, el ajuste con retroalimentación del laboratorio elevó la precisión del modelo al 61%, frente al 54% de GPT-6 Astra en la comparación presentada por NVIDIA.
La empresa sostiene que el costo de inferencia de Nemotron fue entre 10 y 20 veces menor en esa comparación. La inferencia es el proceso de ejecutar el modelo para obtener una respuesta; ese costo no incluye necesariamente la preparación de datos, el ajuste ni el equipo necesario para desplegarlo. El comunicado no detalla el tamaño de la muestra ni el cálculo completo de costos, por lo que no permite trasladar esa ventaja a otros laboratorios o tareas.
Hay una relación financiera entre las compañías: Lila identificó a NVentures, el brazo de inversión de NVIDIA, entre los participantes de su ronda Serie A en 2025. La cifra de la prueba procede del anuncio de NVIDIA, no de una evaluación independiente incluida en ese comunicado.
NVIDIA también informó que Terray Therapeutics ajustó Nemotron para extraer reactivos, productos y condiciones de diagramas químicos. En la prueba RxnScribe, el sistema recuperó aproximadamente el 76% de las reacciones anotadas, bajo los criterios de coincidencia de esa evaluación. Se trata de una tarea diferente de la que realizó Lila.
De las simulaciones a la infraestructura local
El Instituto Real de Tecnología KTH, en Suecia, desarrolló un agente basado en Nemotron para reparar configuraciones defectuosas de GROMACS, un programa de simulación de dinámica molecular. NVIDIA dice que, en una ejecución nocturna con una sola estación DGX Spark y el razonamiento activado, el agente corrigió el 81% de los casos de prueba. GROMACS comprobó cada reparación; el comunicado no precisa cuántos casos se evaluaron.
El Laboratorio Nacional Argonne, del Departamento de Energía de Estados Unidos, integra Nemotron en StructBioReasoner para diseñar y evaluar candidatos terapéuticos basados en proteínas, según NVIDIA. En Japón, el centro de investigación RIKEN ofrece acceso a modelos Nemotron mediante su plataforma de supercomputación RIKYU.
El modelo y LitmusBench están disponibles en Hugging Face. NVIDIA señala que optimizó Super VL para ejecutarse localmente en un equipo DGX Spark de 128 GB. Ese despliegue permite a una organización operar el modelo en infraestructura bajo su control, aunque adaptar y evaluar un agente sigue exigiendo datos, cómputo y trabajo especializado.
