NVIDIA publiceert modellen voor retrieval en eiwitontwerp

NVIDIA stelt Nemotron 3.5 Retriever en RFD4-Proteina beschikbaar voor documentzoekwerk en eiwitontwerp, met gewichten op Hugging Face en NIM-toegang via build.nvidia.com, meldt het bedrijf op 21 oktober tijdens GTC Berlin.

Voor Nederlandse teams maakt dit testen op eigen infrastructuur mogelijk voor documentzoekwerk, voorspellingen uit bedrijfstabellen en eiwitontwerp. De gewichten van Nemotron Retriever, Kumo en Proteina zijn downloadbaar; Bolt en Alpamayo 2 Edge volgen volgens NVIDIA later.

Eén retrievalketen krijgt drie modellen

Nemotron 3.5 Retriever is een set gespecialiseerde modellen. Embed 1B en Embed 8B maken tekst en afbeeldingen vindbaar. Rerank 8B rangschikt gevonden stukken op relevantie. Parse, met 631 miljoen parameters, haalt tekst en structuur uit pdf's, waaronder tabellen en grafieken. De onderdelen kunnen samen een retrievalketen vormen of afzonderlijk worden getest.

Dat ondersteunt retrieval augmented generation, waarbij een systeem eerst bewijs uit een documentvoorraad ophaalt en aan een taalmodel meegeeft. The Register beschrijft embeddings en reranking als bouwstenen van zakelijke zoektoepassingen. NVIDIA biedt Retriever-gewichten op Hugging Face en noemt NIM voor productie, plus toegang via externe AI-platforms.

NVIDIA's ViDoRe v3.1-evaluatie geeft Embed 8B 61,17 nDCG@10 en Embed 1B 58,38. nDCG@10 meet hoe relevant de tien hoogst gerangschikte resultaten zijn. NVIDIA rapporteert dat het kleinere model 95,4 procent van de 8B-score behoudt en dat de 8B-versie op 20 oktober bovenaan stond tussen vectorgebaseerde zoekmodellen. Tekst is getest in 34 talen en visuele documentretrieval in 18, maar die aantallen zeggen niet dat elk Nederlands archief even goed wordt doorzocht.

Een kleiner model geeft een team een lichtere optie om te proberen; de relevante meting blijft hoe het eigen contracten, handleidingen of scans terugvindt. NVIDIA's 120 miljard parameters tellende Super VL met een 75,1 GB NVFP4-download verscheen zes dagen eerder. De 120B-checkpoint verwerkt algemene multimodale taken; Retriever is opgebouwd uit gespecialiseerde documentzoekstappen.

Kumo leest tabellen, geen pdf's

Kumo is bedoeld voor gestructureerde bedrijfsdata. Kumo Tabular voorspelt classificatie en regressie uit gelabelde rijen; Kumo Relational werkt met gekoppelde tabellen. NVIDIA noemt ook voorspellen, frauderisico scoren en afwijkingen opsporen als taken voor de bredere familie. Voor verkooporders, klantverloop of transacties is dat een andere route dan documenten indexeren.

Kumo Tabular stond al op 29 september op Hugging Face, hoewel het in de Europese aankondiging tussen nieuwe modellen staat. De eerste versie bevat volgens NVIDIA modellen van 28 tot 215 miljoen parameters en voorspelt in één doorgang, zonder vooraf apart trainen of kenmerken te bouwen. De eerdere Kumo Tabular-publicatie beschrijft de vier benchmarks waarop NVIDIA het model rangschikt. De aankondiging van 21 oktober bundelt dus ook modellen die al beschikbaar waren.

Proteina levert kandidaten voor het lab

RFD4-Proteina is ontwikkeld door NVIDIA en het Institute for Protein Design van de University of Washington. GeekWire meldt dat dit het eerste gezamenlijk ontwikkelde AI-model voor eiwitontwerp van beide partijen is. Het maakt aminozuurvolgorden en atoomstructuren op basis van een doelwit, enzymmotief of ligand. Onderzoekers kunnen kandidaat-eiwitten voor onder meer binders, enzymen en antilichamen genereren.

NVIDIA zegt dat Proteina ontwerpen ongeveer dertien keer sneller genereert dan RFdiffusion3 in een benchmark met eiwitten van 200 aminozuren. De modelkaart noemt een gewichtendownload van 1,74 GB en uitvoering op geteste NVIDIA-GPU's, met Linux en een CUDA 13-geschikte driver. De bestandsgrootte zegt dus weinig over de benodigde rekenomgeving.

Die snelheid is een computermeting, geen laboratoriumresultaat. Dezelfde kaart zegt dat kandidaten die computertests doorstaan nog geen experimentele werking aantonen en dat prestaties afhangen van doelwit, invoer en instellingen. Een gegenereerde structuur blijft een kandidaat die in het lab moet worden beoordeeld.

Download en licentie verschillen per model

De modelkaarten van Nemotron Embed 1B, Embed 8B, Rerank 8B en Parse noemen OpenMDW-1.1 voor de gewichten. Ook Kumo Tabular en Kumo Relational zijn als aparte checkpoints onder die licentie te downloaden. OpenMDW geeft toestemming om modelmateriaal te gebruiken, aan te passen en te delen. Bij verspreiding moeten licentie en herkomstvermeldingen meegaan; de tekst bevat ook een bepaling over rechtszaken rond auteursrecht of octrooien. De licentie legt geen beperkingen op aan modeluitvoer.

De Kumo Engine-code heeft eigen voorwaarden. De kernmodule staat onder Apache 2.0, terwijl andere pakketten aanvullende licenties kunnen hebben. Voor RFD4-Proteina geldt BSD 3-Clause voor model, gewichten en code. Optionele AlphaFold- en OpenFold-onderdelen en de trainingsdata hebben aparte voorwaarden; de BSD-licentie van de hoofdgewichten geldt daar niet automatisch voor.

Ook de releasedatum verschilt. NVIDIA verwacht Nemotron 3.5 Bolt E4B van 4 GB op 23 oktober en noemt Alpamayo 2 Edge voor later deze maand. De beschikbaarheidslijst linkt Super VL naar een Lightning 30B-modelkaart, terwijl de eigen Super VL-checkpointpagina een apart 120B-model noemt. Bij Mistral was Large 4 op 6 oktober alleen via een API-preview te proberen; de aankondiging plande de gewichten voor later in oktober. Het persbericht noemt geen prijzen of gezamenlijke hardware-eisen.

In een eerdere stap gebruikte NVIDIA Nemotron 3.5 Lightning met Palantir voor materiaalallocatie in de eigen supply chain. NVIDIA en Palantir lieten planners aanbevelingen overrulen bij de materiaaltoewijzing. Retriever en Kumo voegen toepassingen voor documenten en bedrijfstabellen toe, terwijl Proteina is gericht op onderzoekslabs. Voor Nederlandse teams hangt de keuze af van de datataak en van de licentie en GPU's die hun infrastructuur ondersteunt.