Copied


NVIDIA Nemotron 3.5 Super VL Améliore la Précision Scientifique avec le Post-Entraînement

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


NVIDIA a introduit une solution complète pour faire avancer la recherche scientifique à travers sa plateforme Nemotron for Science. Cette initiative intègre le modèle Nemotron 3.5 Super VL, un système d'IA multimodal, avec des ensembles de données et des outils spécifiques au domaine pour améliorer la précision et l'efficacité dans des flux de travail scientifiques complexes. La plateforme aborde des défis tels que la propagation d'erreurs, la latence et les coûts computationnels dans la recherche guidée par l'IA agentique.

Caractéristiques Clés de Nemotron for Science

Nemotron for Science comprend le modèle Nemotron 3.5 Super VL, qui est ouvert et personnalisable, et le Nemotron Litmus-Bench V2.0 , un ensemble de données open-source et une référence pour évaluer les propriétés moléculaires. La plateforme offre une précision de premier ordre sur des références scientifiques et accélère le temps de solution pour les tâches de codage scientifique.

Une des caractéristiques remarquables est la capacité à post-entraîner le modèle Nemotron 3.5 Super VL pour des domaines scientifiques spécifiques. NVIDIA fournit une recette pratique pour ce processus, qui consiste à construire un environnement d'apprentissage par renforcement (RL) personnalisé utilisant NeMo Gym et à appliquer le RL avec NVIDIA NeMo RL. Cette approche permet aux chercheurs d'affiner le modèle pour des tâches telles que la prédiction du métabolisme des médicaments, où des améliorations de précision de 12% grâce à un affinage supervisé (SFT) et un 17% supplémentaire grâce au post-entrainement RL ont été démontrées.

Flux de Travail et Outils de Post-Entraînement

Le processus de post-entrainement commence par des données expérimentales formatées en paires entrée-sortie, telles que des structures moléculaires représentées par des chaînes SMILES. Ces paires sont utilisées pour créer un environnement d'apprentissage par renforcement avec des récompenses vérifiables (RLVR). Le modèle prédit les résultats, qui sont évalués à l'aide d'outils comme la similarité de Tanimoto pour comparer les empreintes moléculaires. Ce signal de récompense dense élimine le besoin d'annotation humaine.

L'entraînement est effectué en utilisant l'optimisation de politique relative de groupe (GRPO) avec des adaptateurs de bas rang (LoRA). L'infrastructure de l'environnement, le serveur de récompense et les travailleurs de mise en œuvre sont entièrement autonomes, permettant à la pipeline de se généraliser à travers les domaines scientifiques. L'approche d'NVIDIA garantit que même les modèles optimisés par instruction très compétents peuvent réaliser des améliorations significatives lorsqu'ils reçoivent des retours ciblés en RL.

Distillation Optionnelle pour Améliorer la Performance

Pour les scénarios où le modèle de base nécessite une capacité supplémentaire avant l'entraînement en RL, NVIDIA recommande une étape de distillation. Cela implique d'utiliser un modèle enseignant plus fort pour générer des traces de raisonnement de haute qualité, qui sont ensuite utilisées pour affiner le modèle étudiant. Cette technique de "démarrage à froid" accélère la convergence et élève le seuil de performance, rendant l'entraînement ultérieur en RL plus efficace et efficace.

Dans l'exemple du métabolisme des médicaments, les traces de raisonnement du modèle enseignant ont guidé le modèle étudiant à mieux prédire les structures des métabolites, conduisant à des gains significatifs en précision. Le processus met en lumière la flexibilité et l'adaptabilité de la plateforme Nemotron pour des tâches scientifiques spécialisées.

Implications pour la Recherche Scientifique

En combinant des modèles d'IA avancés, des ensembles de données spécifiques au domaine et des flux de travail robustes de post-entrainement, la plateforme Nemotron for Science d'NVIDIA permet aux chercheurs de relever des défis scientifiques complexes avec une plus grande précision et efficacité. La capacité de la plateforme à s'intégrer parfaitement dans les flux de travail IA agentiques en fait un outil essentiel pour accélérer les découvertes dans des domaines tels que la chimie, la biologie et au-delà.


Read More