NVIDIA, Nemotron for Science ile araştırma ajanları sunuyor
NVIDIA, Nemotron for Science paketini duyurdu. Açık kimya verileri ve ek eğitim tarifleri, araştırmacıların kendi sistemlerinde ajan geliştirmesini hedefliyor.

NVIDIA, 16 Kasım 2026'da Nemotron for Science paketini duyurdu. Paket, Nemotron 3.5 Super VL modeliyle kimya veri kümesini ve ek eğitim tariflerini birleştirerek araştırmacıların bilimsel görevler için yapay zekâ ajanları geliştirmesine yardımcı oluyor.
NVIDIA, 16 Kasım 2026'da bilimsel araştırmalara yönelik Nemotron for Science paketini tanıttı. Paket, araştırmacıların kendi altyapılarında çalıştırabileceği yapay zekâ ajanları geliştirmesine odaklanıyor. Üniversitede veya bir araştırma ekibinde kimya verileriyle çalışıyorsan, duyurunun somut karşılığı modelin yanında eğitim ve değerlendirme verilerinin de sunulması.
Nemotron for Science neleri içeriyor?
NVIDIA'nın 16 Kasım tarihli resmi duyurusuna göre, Nemotron for Science, Nemotron 3.5 Super VL açık modelini bilimsel değerlendirmeler, yeni bir kimya veri kümesi ve ek eğitim tarifleriyle bir araya getiriyor. Araştırmacılar, genel modeli kendi alanlarına ait verilerle ek eğitimden geçirerek belirli görevlere uyarlayabiliyor.
Paketin veri tarafında LitmusBench v0.2 var. Yaklaşık 50 bin soru içeren bu açık veri kümesi, dil modellerinin kimya sorularını çözme becerisini hem eğitmek hem değerlendirmek için hazırlanmış. Moleküler özellikler ve deneysel ilaç keşfi verilerinden yararlanıyor. Duyurudaki örnekler arasında moleküllerin çözünürlüğünü ve vücutta nasıl işlendiğini tahmin etmek bulunuyor.
Modeli bir ajana bağlayan araştırmacı, bilimsel bilgiyi yorumlama işini kod üretimi ve hesaplama araçlarıyla birleştirebiliyor. NVIDIA, bu iş akışlarında CUDA-X araçlarının kullanılabileceğini söylüyor. Araç çağırma kavramına yabancıysan, yapay zekâ ajanı rehberimiz bir model yanıtıyla işlem yürüten sistem arasındaki farkı açıklıyor.
Araştırma ekipleri hangi görevlerde kullanıyor?
NVIDIA, Nemotron kullanan ekiplerin deney planlama, bilimsel çizimlerden bilgi çıkarma ve bozuk simülasyon kurulumlarını düzeltme gibi görevler üzerinde çalıştığını bildiriyor. Bu örnekler farklı değerlendirmelere dayanıyor; tek bir genel başarı oranı olarak okunmamalı.
Terray Therapeutics, modeli bilimsel şemalardaki tepkimeye giren maddeleri, ürünleri ve tepkime koşullarını çıkarmak için ek eğitimden geçirmiş. NVIDIA'nın aktardığı RxnScribe testinde sistem, değerlendirmedeki eşleştirme koşullarına göre işaretlenmiş tepkimelerin yaklaşık yüzde 76'sını bulmuş. Bu testin konusu, yayımlanmış kimya çizimlerinden düzenli veri çıkarmak.
KTH Royal Institute of Technology ise moleküler dinamik simülasyonlarında kullanılan GROMACS yazılımının bozuk kurulumlarını onaran bir ajan geliştirmiş. NVIDIA'ya göre tek bir DGX Spark üzerinde gece boyunca yapılan çalışmada, akıl yürütme açıkken test örneklerinin yüzde 81'i düzeltilmiş. Her düzeltmeyi GROMACS ayrıca kontrol etmiş. Yüzde 81 oranı, bu testteki kurulum sorunlarına ait; bütün araştırma yazılımlarını kapsayan bir sonuç sunulmuyor.
Argonne National Laboratory de Nemotron'u StructBioReasoner adlı çok ajanlı sistemine entegre ediyor. Duyuruda sistemin protein temelli tedavi adayları tasarlamak ve değerlendirmek için kullanıldığı belirtiliyor. Bu çalışmaların anlatılması, bir tedavinin insanlarda etkili veya güvenli olduğuna ilişkin klinik kanıt oluşturmuyor. Kişisel sağlık kararların için bir uzmana danış.
Model nerede çalıştırılabiliyor?
NVIDIA, Nemotron 3.5 Super VL ile LitmusBench v0.2'nin yazı tarihinde Hugging Face üzerinden erişilebilir olduğunu açıkladı. Modelin 128 GB NVIDIA DGX Spark üzerinde yerel çalışma için optimize edildiği de belirtiliyor. Şirketin SC26 sunum özetinde iş istasyonları ve araştırmacıların kendi süper bilgisayarları diğer çalışma ortamları arasında sayılıyor.
128 GB DGX Spark bilgisi, duyuruda belirtilen bir yapılandırma. Bu bilgiden her bilgisayar için geçerli asgari bellek ihtiyacı çıkarmak mümkün değil. Duyuru bütün kurulum seçeneklerini kapsayan bir donanım tablosu veya tek bir kullanım fiyatı vermiyor. İndirmeden önce kullanacağın modelin gereksinimlerini incelemelisin.
Model ile veri kümesinin lisanslarını ayrı kontrol etmek, özellikle kurum içinde geliştirilen bir uygulamayı dışarıya sunmayı düşünüyorsan işe yarar. Bu ayrımları açık kaynak yapay zekâ rehberinde ele alıyoruz.
Bizim yorumumuz: ilk denemeyi tek göreve daralt
Bizce Türkiye'deki bir araştırma ekibi için en yararlı başlangıç, zaten kontrol edebildiği küçük bir görevi seçmek. Örneğin yayımlanmış bir kimya çiziminden tepkime bilgisi çıkarıyorsan, beklenen yanıtı önceden hazırlayıp modelin çıkardığı alanlarla karşılaştırabilirsin. Böylece değerlendirme, modelin açıklamasının ne kadar ikna edici göründüğüne bağlı kalmaz.
KTH örneğinde düzeltmelerin GROMACS tarafından kontrol edilmesini bu nedenle değerli buluyoruz. Benzer bir denemede, ajanın başarı bildirimini kabul etmeden önce kendi doğrulama adımını kurmanı öneririz. Bir simülasyonun açılmasıyla beklediğin hesabı doğru yapması arasında kontrol edilmesi gereken ayrıntılar bulunabilir. Deneme planında hangi çıktıyı doğru sayacağını baştan yaz.
NVIDIA'nın duyurusunda Türkiye'den erişime ilişkin özel koşullar ve Türkçe desteği açıklanmadı. Türkçe laboratuvar notları kullanacaksan terimlerin ve ölçü birimlerinin doğru aktarılıp aktarılmadığını ayrıca sınamalısın. İngilizce bir testte açıklanan oranı Türkçe belgelerin için beklenen başarı olarak alma. Öğrenciysen ilk çalışmayı paylaşım izni açık belgelerle sınırlamak da veri seçimini kolaylaştırır.
Bizim önerimiz, model indirmeden önce kısa bir değerlendirme kaydı hazırlaman. Başarı ölçütünü ve kontrol yöntemini aynı yerde tutarsan, ek eğitim sonrasında gerçekten neyin değiştiğini karşılaştırabilirsin. Kendi denemen için aşağıdaki boş kaydı kopyalayabilirsin:
Seçtiğim bilimsel görev:
Kullanım iznini kontrol ettiğim örnek veri:
Beklenen çıktı:
Sonucu doğrulayacak araç veya uzman:
Denemeyi başarısız sayacağım hata:
İlk adım olarak LitmusBench sorularının çalıştığın problemle örtüşüp örtüşmediğine bak; ardından model kartındaki donanım gereksinimlerini mevcut araştırma altyapınla karşılaştır.
Bu yazı sponsorlu değildir.
Sık sorulanlar
Nemotron for Science ne işe yarıyor?
Araştırmacıların kimya ve yaşam bilimlerine yönelik yapay zekâ ajanları geliştirmesi için model, veri ve ek eğitim tarifleri sağlıyor. Ajanlar bilimsel bilgiyi işleyebiliyor, kod üretebiliyor ve hesaplama araçlarını çağırabiliyor.
Nemotron for Science nereden indirilebilir?
NVIDIA, Nemotron 3.5 Super VL modelinin ve LitmusBench v0.2 kimya veri kümesinin Hugging Face üzerinden erişilebilir olduğunu belirtiyor. Model, 128 GB NVIDIA DGX Spark üzerinde yerel çalışma için de optimize edilmiş.
Nemotron for Science Türkçe destekliyor mu?
NVIDIA'nın bu duyurusunda Türkçe performansı veya Türkiye'ye özel erişim koşulları açıklanmadı. Türkçe bilimsel belgelerle çalışacak ekiplerin kendi örneklerini ayrıca değerlendirmesi gerekiyor.
Haftada bir e-posta. Sadece işe yarayanlar.
Haftanın en iyi yapay zekâ araçları ve yeni rehberler. İstediğin an tek tıkla çık.
NVIDIA Nemotron Super VL, AWS JumpStart'a eklendi










