¿Tecnología Geek te ahorra tiempo? Agréganos como tu fuente preferida en Google y ve más noticias nuestras en tus resultados. Fuente preferida en Google
Nemotron for Science ya está disponible y llega con casi 50.000 preguntas de química abiertas para entrenar agentes científicos. NVIDIA lo presentó este 16 de noviembre en la conferencia SC26, en Chicago, con una idea clara: que cualquier laboratorio pueda tomar un modelo abierto, adaptarlo con sus propios datos y ponerlo a trabajar en problemas concretos de química, diseño de proteínas y ciencias de la vida.
El paquete reúne cuatro piezas. La base es Nemotron 3.5 Super VL, el modelo abierto de la casa que lee texto, imágenes y video. Encima van evaluaciones científicas, recetas de entrenamiento posterior y LitmusBench v0.2, el conjunto de datos nuevo. Todo quedó publicado en Hugging Face el mismo día del anuncio, listo para descargar.
Ese modelo base no nace hoy. La familia Nemotron ya venía sonando en el sitio con piezas como Nemotron 3.5 Transcribe de NVIDIA, y la ficha del modelo en Hugging Face lo describe con 120.000 millones de parámetros en total y 12.000 millones activos, con una ventana de contexto de hasta un millón de tokens. La novedad de esta entrega está en los datos científicos y en las recetas para adaptarlo, no en un modelo creado desde cero.
LitmusBench v0.2: preguntas con respuesta comprobable
LitmusBench v0.2 trae casi 50.000 preguntas de razonamiento químico armadas con propiedades moleculares y datos experimentales de descubrimiento de fármacos. Sirve para entrenar y para evaluar: predice cómo se comporta una molécula, su solubilidad o la forma en que el cuerpo humano la procesa. La guía técnica de NVIDIA explica el truco de fondo: cada registro experimental se convierte en una pregunta con su resultado medido, y ese resultado actúa como verificador automático de la respuesta del modelo.
Ahí está la diferencia, y cambia el tipo de entrenamiento. El agente no aprende de opiniones ni de etiquetas puestas a mano; aprende contra mediciones reales de laboratorio. En el ejemplo de metabolismo de fármacos que detalla la guía, el ajuste fino supervisado subió la precisión 12 puntos y el aprendizaje por refuerzo añadió otros 17 puntos con un presupuesto de salida de 16.384 tokens. Son cifras de NVIDIA, medidas en su propio ejemplo, y conviene leerlas así: una muestra del método, no una promesa para cualquier laboratorio.
Las recetas de entrenamiento posterior son la otra mitad del paquete. Un equipo puede tomar el modelo, alimentarlo con datos de su dominio y obtener un agente que interpreta información científica, genera código y llama herramientas de cálculo aceleradas con CUDA-X. NVIDIA optimizó además el modelo para correr en local en un DGX Spark de 128 GB, un equipo de escritorio, con lo que un grupo pequeño puede trabajar sin mandar sus datos a una nube ajena.
Resultados con nombre propio: 76 %, 61 % y 81 %
Terray Therapeutics adaptó el modelo para extraer reactivos, productos y condiciones de reacción desde diagramas científicos. En la prueba RxnScribe recuperó cerca del 76 % de las reacciones anotadas, con los criterios de coincidencia de esa evaluación. Convertir química publicada en datos ordenados es trabajo lento cuando se hace a mano; ahí el agente ahorra horas de lectura.
Lila Sciences lo usó para diseñar protocolos listos para ejecutar en sus laboratorios automatizados. El entrenamiento con retroalimentación de laboratorio casi duplicó la precisión al fabricar puntos cuánticos, unos cristales diminutos usados en pantallas y paneles solares: llegó al 61 %, por encima del 54 % de GPT-6 Astra, con un costo de inferencia entre 10 y 20 veces menor. Therna, en diseño de terapias de ARN mensajero, reportó casi el doble de precisión al predecir rangos de expresión de proteínas frente a modelos de frontera, y sus científicos prefirieron las explicaciones del modelo ajustado en el 96 % de las comparaciones.
El caso más fácil de imaginar ocurrió en el Real Instituto de Tecnología KTH. Un agente construido con Nemotron reparó instalaciones rotas de GROMACS, un programa de dinámica molecular muy usado en investigación. En una sola noche de trabajo, en un único DGX Spark, arregló el 81 % de los casos de prueba con el razonamiento activado, y cada arreglo lo comprobó el propio GROMACS. Nada de fe ciega: el programa de destino validó el resultado.
El Laboratorio Nacional Argonne, del Departamento de Energía de Estados Unidos, integra el modelo en StructBioReasoner, un sistema de varios agentes que diseña y evalúa candidatos terapéuticos basados en proteínas para cáncer y otras enfermedades. El centro de supercomputación de Jülich también lo suma a sus agentes de descubrimiento, y RIKEN lo puso disponible en su plataforma RIKYU AI de Japón. Ian Buck, vicepresidente de computación de alto rendimiento de NVIDIA, lo resumió en el comunicado con una frase directa: «Nemotron for Science da a los investigadores modelos abiertos, datos científicos y recetas de entrenamiento para crear agentes especializados».
El límite del anuncio también está a la vista. Los resultados divulgados son tareas acotadas, medidas por la propia NVIDIA o por los equipos que ya trabajan con el modelo, y ninguno demuestra un laboratorio que funcione solo. Lo que sí quedó abierto desde hoy, con licencia y descarga pública, es el material para intentarlo: el modelo, las casi 50.000 preguntas de LitmusBench v0.2 y las recetas completas de adaptación.
Fuente: NVIDIA Newsroom
La conversación sigue en el foro
Comenta esta noticia, pregunta lo que quieras y comparte tu experiencia con otros lectores en el foro de Tecnología Geek. Participar es gratis: solo necesitas tu cuenta del sitio.
Entrar al foro