Copied


NVIDIA Nemotron 3.5 Super VL verbessert die wissenschaftliche Genauigkeit mit Nachtrainierung

James Ding   Nov 17, 2026 04:11 0 Min Read


NVIDIA hat eine umfassende Lösung zur Förderung der wissenschaftlichen Forschung über seine Plattform Nemotron for Science eingeführt. Diese Initiative integriert das Nemotron 3.5 Super VL Modell, ein multimodales KI-System, mit domänenspezifischen Datensätzen und Werkzeugen, um die Genauigkeit und Effizienz in komplexen wissenschaftlichen Workflows zu verbessern. Die Plattform geht Herausforderungen wie Fehlerausbreitung, Latenz und Rechenkosten in agentischer KI-gesteuerter Forschung an.

Hauptmerkmale von Nemotron for Science

Nemotron for Science beinhaltet das Nemotron 3.5 Super VL Modell, das offen und anpassbar ist, sowie den Nemotron Litmus-Bench V2.0 , einen Open-Source-Datensatz und Benchmark zur Bewertung molekularer Eigenschaften. Die Plattform bietet Grenzwertgenauigkeit bei wissenschaftlichen Benchmarks und beschleunigt die Lösungszeit für wissenschaftliche Codierungsaufgaben.

Ein herausragendes Merkmal ist die Möglichkeit, das Nemotron 3.5 Super VL Modell für spezifische wissenschaftliche Bereiche nachzutrainieren. NVIDIA stellt ein praktisches Rezept für diesen Prozess bereit, das den Aufbau einer benutzerdefinierten verstärkenden Lernumgebung (RL) unter Verwendung von NeMo Gym umfasst und RL mit NVIDIA NeMo RL anwendet. Dieser Ansatz ermöglicht es Forschern, das Modell für Aufgaben wie die Vorhersage von Arzneimittelstoffwechsel zu verfeinern, bei denen durch überwachte Feinabstimmung (SFT) eine Verbesserung von 12% und durch RL-Nachtraining eine zusätzliche Verbesserung von 17% demonstriert wurde.

Nachtrainierungs-Workflow und -Werkzeuge

Der Nachtrainierungsprozess beginnt mit experimentellen Daten, die als Eingabe-Ausgabe-Paare formatiert sind, wie molekulare Strukturen, die durch SMILES-Strings dargestellt werden. Diese Paare werden verwendet, um eine verstärkende Lernumgebung mit überprüfbaren Belohnungen (RLVR) zu erstellen. Das Modell sagt Ergebnisse voraus, die mit Werkzeugen wie der Tanimoto-Ähnlichkeit zur Vergleichung molekularer Fingerabdrücke bewertet werden. Dieses dichte Belohnungssignal eliminiert die Notwendigkeit menschlicher Annotation.

Das Training erfolgt unter Verwendung der gruppenrelativen Politikoptimierung (GRPO) mit Low-Rank-Adaptern (LoRA). Die Infrastruktur der Umgebung, der Belohnungsserver und die Rollout-Arbeiter sind vollständig eigenständig, sodass die Pipeline in wissenschaftlichen Bereichen generalisierbar ist. Der Ansatz von NVIDIA stellt sicher, dass selbst hochgradig fähige instruktionsoptimierte Modelle bedeutende Verbesserungen erzielen können, wenn sie gezieltes RL-Feedback erhalten.

Optionale Destillation zur Leistungssteigerung

Für Szenarien, in denen das Basismodell vor dem RL-Training zusätzliche Fähigkeiten benötigt, empfiehlt NVIDIA einen Destillationsschritt. Dies beinhaltet die Verwendung eines leistungsstärkeren Lehrer-Modells zur Generierung hochwertiger Denkspuren, die dann zur Feinabstimmung des Schüler-Modells verwendet werden. Diese „Warmstart“-Technik beschleunigt die Konvergenz und hebt die Leistungsuntergrenze an, sodass nachfolgendes RL-Training effizienter und effektiver wird.

Im Beispiel des Arzneimittelstoffwechsels führten die Denkspuren des Lehrer-Modells dazu, dass das Schüler-Modell die Struktur von Metaboliten besser vorhersagte, was zu erheblichen Genauigkeitsgewinnen führte. Der Prozess hebt die Flexibilität und Anpassungsfähigkeit der Nemotron-Plattform für spezialisierte wissenschaftliche Aufgaben hervor.

Auswirkungen auf die wissenschaftliche Forschung

Durch die Kombination fortschrittlicher KI-Modelle, domänenspezifischer Datensätze und robuster Nachtrainierungs-Workflows ermöglicht die Nemotron for Science-Plattform von NVIDIA Forschern, komplexe wissenschaftliche Herausforderungen mit größerer Genauigkeit und Effizienz zu bewältigen. Die Fähigkeit der Plattform, nahtlos in agentische KI-Workflows zu integrieren, positioniert sie als ein kritisches Werkzeug zur Beschleunigung von Entdeckungen in Bereichen wie Chemie, Biologie und darüber hinaus.


Read More