انویدیا LitmusBench رو منتشر کرد؛ حدود ۵۰ هزار سؤال برای استدلال شیمی
انویدیا دیروز بسته Nemotron for Science رو معرفی کرد. چیزی که توی این خبر بیشتر به چشم میاد، مجموعه داده باز LitmusBench v0.2 هست؛ نزدیک ۵۰ هزار سؤال شیمی که باهاش میشه مدل زبانی رو آموزش داد یا سنجید.
توی اطلاعیه رسمی انویدیا در ۲۵ آبان ۱۴۰۵ اومده که این سؤالها از ویژگیهای مولکولی و دادههای آزمایشگاهی کشف دارو اومدن. هدف اینه که مدل بتونه رفتار یه مولکول رو پیشبینی کنه؛ مثلاً حلالیتش چقدره، یا بدن انسان چطور اون ترکیب رو پردازش میکنه. انویدیا میگه هم این داده و هم مدل باز Nemotron 3.5 Super VL الان روی Hugging Face در دسترسن. همین مدل رو برای سیستم محلی DGX Spark با حافظه ۱۲۸ گیگ هم بهینه کردن.
این بسته فقط داده نیست. انویدیا کنارش دستورکار Post-training (آموزش تکمیلی) هم گذاشته تا پژوهشگر بتونه مدل رو با داده تخصصی خودش، برای Agent (ایجنت علمی) تنظیم کنه. چند شرکت همکار هم نتیجههایی رو اعلام کردن. Terray Therapeutics میگه بعد از این آموزش، مدل تونسته حدود ۷۶ درصد واکنشهای مشخصشده توی نمودارهای علمی رو از تست RxnScribe درست دربیاره. Lila Sciences هم میگه دقت ساخت Quantum Dots (نقاط کوانتومی) بعد از بازخورد آزمایشگاه تقریباً دو برابر شده و به ۶۱ درصد رسیده؛ عددی که از ۵۴ درصد GPT-6 Astra بالاتره و هزینه Inference (استنتاج) رو هم ۱۰ تا ۲۰ برابر کمتر اعلام کردن. Therna هم از دو برابر شدن دقت پیشبینی بازه تولید پروتئین حرف زده. این عددها ادعای خود شرکتها و اطلاعیه انویدیاست، نه نتیجه یه ارزیابی مستقل عمومی.
یه محدودیت رو هم صریح بگیم. LitmusBench بیشتر روی شیمیه، نه روی همهی رشتههای علمی. مدل پایه هم مدل جدیدی نیست؛ Nemotron 3.5 Super VL از قبل بوده و این معرفی بیشتر روی داده، ارزیابی و دستور آموزش تکمیلی تمرکز داره. برای خیلی از این نتیجهها باید مدل رو با داده تخصصی خودتون دوباره آموزش بدید و روی زیرساخت خودتون اجراش کنید. جزئیات و لینک داده رو توی اطلاعیه ۲۵ آبان انویدیا ببینید.
اگه این حوزه رو دنبال میکنید، #هوش_مصنوعی و #داده رو ببینید؛ این یکی از #اخبار_فناوری دیروزه.
🔗 منبع خبر
🔗 Hugging Face