Un agente de investigación que propone experimentos necesita algo más que un modelo grande: necesita datos de química, una forma de evaluar si razona bien y un sitio donde ejecutarse sin enviar resultados a un proveedor externo cada vez que hace una prueba. NVIDIA presentó el 16 de noviembre de 2026 Nemotron for Science, un paquete que reúne esas tres piezas alrededor de su modelo abierto Nemotron 3.5 Super VL.
El conjunto incluye el modelo, un banco de evaluación con casi 50.000 preguntas de química llamado LitmusBench v0.2 y recetas de entrenamiento posterior para adaptarlo a tareas de laboratorio. La propuesta es que un grupo de investigación pueda construir su propio agente especializado sin empezar de cero y sin depender de una interfaz comercial para cada prueba, algo que hasta ahora exigía un equipo de ingeniería dedicado.
El paquete incluye además recetas de ajuste, y el anuncio encaja en una estrategia que NVIDIA ha repetido este año: vender el hardware y regalar el software que lo hace necesario, de modo que cada laboratorio que adopta un agente se convierte en cliente de tarjetas gráficas. Si los laboratorios entrenan agentes científicos, necesitan tarjetas gráficas para entrenar y para inferir, y el fabricante se asegura de que el ecosistema crezca sobre su plataforma.
Un paquete todo en uno
Nemotron 3.5 Super VL es un modelo abierto con capacidades multimodales, es decir, que procesa texto e imágenes en la misma conversación. Esa característica importa en química, donde los datos llegan en forma de estructuras moleculares, espectros y tablas que un modelo de solo texto no puede leer directamente.
LitmusBench v0.2 es el componente más útil para un investigador. Se trata de un conjunto de casi 50.000 preguntas sobre propiedades moleculares y datos de descubrimiento de fármacos, disponible en Hugging Face, que sirve para entrenar y para evaluar. La diferencia entre un banco de preguntas y una demostración es que el primero permite medir si el modelo mejora o solo parece mejorar.
Las recetas de entrenamiento posterior completan el paquete. NVIDIA describe cómo adaptar el modelo a tareas como diseñar proteínas o razonar sobre reacciones, con ejemplos de ajuste supervisado y de refuerzo. Un laboratorio con datos propios puede seguir esas recetas y obtener un modelo especializado en su dominio sin publicar sus datos.
El cuarto elemento es la infraestructura. NVIDIA sitúa el entrenamiento en DGX Spark, su equipo de escritorio, y en centros de datos, con la promesa de que el flujo funciona igual en los dos entornos. Para un grupo pequeño, esa continuidad es la diferencia entre probar una idea y montar un clúster.
Química como banco de pruebas
La química tiene una propiedad que la hace atractiva para los agentes: sus resultados se pueden verificar. Una predicción sobre la solubilidad de una molécula se contrasta con un experimento, y esa respuesta binaria permite entrenar con refuerzo sin depender de un humano que puntúe cada respuesta. Esa característica es la que ha convertido el diseño molecular en uno de los primeros dominios donde los agentes funcionan de verdad.
También es un dominio donde los errores cuestan caro. Un modelo que propone una síntesis peligrosa o que confunde una molécula con otra puede provocar un accidente de laboratorio, y por eso las evaluaciones tienen que incluir casos adversos y no solo preguntas de examen. LitmusBench incluye preguntas sobre propiedades y sobre el procesamiento del cuerpo humano, según la descripción del fabricante.
El tercer motivo es de escala de datos. La literatura química es enorme y está estructurada en patentes, artículos y bases de datos, y ese volumen permite entrenar modelos especializados sin depender de datos propietarios de una sola empresa. Un grupo académico con acceso a las mismas fuentes puede competir con un laboratorio farmacéutico en la parte de modelo, aunque no en la de experimentos.
El cuarto es económico. Descubrir una molécula cuesta años y millones de dólares, y cualquier herramienta que reduzca el número de experimentos necesarios tiene un retorno que se puede medir. Ese retorno justifica invertir en infraestructura propia, que es exactamente lo que NVIDIA vende.
A esas tres razones se suma una cuarta que explica el interés de los laboratorios grandes: la posibilidad de entrenar con datos propios sin publicarlos y sin que el proveedor los use para entrenar otros modelos.
El paquete llega en un momento en que los laboratorios discuten si entrenar modelos propios o alquilar interfaces ajenas, y esa duda es la que el fabricante quiere resolver con su oferta.
¿Quién lo está usando?
NVIDIA cita a Argonne National Laboratory, uno de los centros de investigación del Departamento de Energía de Estados Unidos, como usuario de Nemotron para construir agentes que aceleren descubrimientos científicos y compartan después los resultados con la comunidad. También menciona a Lila Sciences, Terray Therapeutics y Therna, tres empresas que trabajan en descubrimiento de fármacos y que adaptan el modelo a sus flujos.
Esos nombres importan porque sitúan el anuncio fuera del terreno de la demostración. Un laboratorio nacional y tres empresas con financiación privada están usando el paquete en producción o en pilotos avanzados, y ese uso genera datos que vuelven al ecosistema en forma de recetas y de evaluaciones.
La letra pequeña es que ninguno de los casos publicados incluye resultados comparables. No hay cifras de cuánto ha mejorado un flujo de descubrimiento ni de cuántos experimentos se han ahorrado, y sin esas cifras el anuncio describe una capacidad y no un resultado.
La diferencia entre capacidad y resultado es la misma que hay entre un modelo que aprueba un examen de química y un agente que descubre una molécula que funciona fuera del laboratorio.
Lo que un laboratorio necesita para probarlo
El primer requisito es tener datos propios en un formato utilizable. Un grupo que lleva años acumulando cuadernos de laboratorio en papel no puede entrenar nada hasta que digitaliza y estructura esa información, y ese trabajo suele llevar más tiempo que el ajuste del modelo.
El segundo es saber evaluar. LitmusBench da un punto de partida, y cada dominio necesita su propio conjunto de preguntas con respuestas verificadas. Un modelo que acierta en química general puede fallar en la reacción concreta que interesa al grupo, y la única forma de saberlo es medirlo con casos propios.
El tercero es la infraestructura. El modelo abierto se puede ejecutar en local, y eso exige tarjetas con memoria suficiente para el tamaño del modelo. NVIDIA vende esa infraestructura, así que su recomendación no es neutral, aunque la alternativa de usar una interfaz comercial también tiene coste.
El cuarto es el gobierno de los datos. Un agente que lee patentes y resultados internos necesita permisos y trazabilidad, y en un laboratorio farmacéutico esa capa es tan importante como el modelo.
El modelo abierto como estrategia comercial
NVIDIA no gana dinero con el modelo, gana con lo que hace falta para usarlo. Esa lógica explica por qué publica pesos abiertos, bancos de evaluación y recetas: cada pieza reduce la barrera para que un laboratorio monte su propio sistema sobre hardware de la casa. El software libre es aquí el manual de instrucciones de una máquina que se vende aparte.
El cálculo tiene un riesgo. Si los modelos abiertos mejoran lo suficiente, los clientes pueden ejecutarlos en hardware de la competencia, y el fabricante pierde la ventaja que buscaba. NVIDIA lo compensa con un ecosistema de herramientas y con acuerdos de optimización que hacen que su plataforma sea la más cómoda para empezar.
Para el sector científico, el resultado es una carrera por la reproducibilidad. Un agente que descubre una molécula tiene que poder explicar cómo llegó, y un modelo cerrado no siempre lo permite. La apuesta de NVIDIA es que los laboratorios preferirán un modelo que pueden inspeccionar, aunque les cueste más esfuerzo ponerlo en marcha.
La ciencia como siguiente cliente de los agentes
Los agentes han pasado en dos años de escribir correos a proponer experimentos, y ese salto exige datos verificables y evaluaciones rigurosas. La química es el primer dominio donde las tres cosas coinciden, y por eso los anuncios se acumulan en ese campo.
Lo que viene después depende de cuántos laboratorios consigan resultados publicables con estas herramientas. Un paquete de software no cambia la ciencia, y sí cambia el tiempo que se tarda en descartar una hipótesis, que es la parte del trabajo que nadie presume de hacer.
Para el lector que investiga, la pregunta útil no es si el modelo es bueno, es si sus datos están en condiciones de entrenarlo y si tiene un conjunto de casos para comprobarlo. Lo demás se compra. El blog técnico de NVIDIA detalla cómo se ajusta el modelo y qué espera de cada tarea. La comparación con el modelo barato de Meta para agentes ayuda a situar el precio: uno compite por coste por token y el otro por control del dato.