Inherent का Faraday एजेंट रिसर्च रीप्लिकेशन में Claude और GPT-5.5 से आगे निकला

लंदन की AI लैब Inherent, जिसकी स्थापना Google DeepMind के पूर्व कर्मचारियों ने की है, का कहना है कि उसका 27 अरब पैरामीटर वाला Faraday एजेंट प्रकाशित वैज्ञानिक पेपरों के निष्कर्षों को पहले से उत्तर जाने बिना दोहरा सकता है। कंपनी के मुताबिक, इसी खास रिसर्च-रीप्लिकेशन कार्य में Faraday ने Anthropic के Claude Opus 4.8 और OpenAI के GPT-5.5 से बेहतर प्रदर्शन किया। 259

अगर व्यापक और स्वतंत्र परीक्षणों में भी यह नतीजा कायम रहता है, तो यह उल्लेखनीय उपलब्धि होगी। हालांकि, सुर्खियों को थोड़ा संदर्भ के साथ पढ़ना जरूरी है: Faraday ने पहले से मौजूद वैज्ञानिक परिणामों को दोहराने का प्रदर्शन किया है, न कि स्वतंत्र रूप से नई वैज्ञानिक जानकारी खोजने का।

Faraday का परीक्षण कैसे हुआ

Inherent ने Replica नाम का एक बेंचमार्क तैयार किया है। इसमें मशीन लर्निंग और AI-for-science से जुड़े 100 शोध-पेपरों को 310 रीप्लिकेशन टास्क में बदला गया है। हर टास्क में एजेंट को किसी पेपर का एक खास ग्राफ दोबारा तैयार करना होता है—सीमित समय और कंप्यूटिंग संसाधनों के भीतर, और मूल ग्राफ देखे बिना। 34

इसका मतलब यह केवल किसी पेपर का सारांश लिखने या प्रकाशित चार्ट की नकल करने का काम नहीं है। एजेंट को शोध को समझना, जरूरी प्रयोगों को लागू करना, उपलब्ध संसाधनों का इस्तेमाल तय करना और ऐसा परिणाम तैयार करना होता है जो मूल निष्कर्ष से पर्याप्त रूप से मेल खाए।

Inherent का दावा है कि इस बेंचमार्क पर Faraday ने Claude Opus 4.8 और GPT-5.5 को पीछे छोड़ा, जबकि उसका अपना मॉडल आकार में काफी छोटा है। 158 इस तुलना को एक खास बेंचमार्क का नतीजा समझना चाहिए—सभी वैज्ञानिक या कोडिंग कार्यों में इन मॉडलों की सामान्य रैंकिंग नहीं।

‘रिसर्च टेस्ट’ से कंपनी का क्या मतलब है

Inherent के अनुसार, वैज्ञानिक काम में केवल सही अंतिम परिणाम हासिल करना पर्याप्त नहीं होता। एक अच्छे शोधकर्ता को यह भी तय करना पड़ता है कि कौन-से प्रयोग करना सार्थक हैं, उन्हें कैसे डिजाइन किया जाए, अस्पष्ट नतीजों की व्याख्या कैसे हो और कोई तरीका विफल होने पर आगे की रणनीति क्या हो। कंपनी इन फैसलों के समूह को “research taste” यानी “रिसर्च टेस्ट” कहती है। 47

यह अंतर अहम है, क्योंकि कोई मॉडल वैज्ञानिक प्रक्रिया का भरोसेमंद ढंग अपनाए बिना भी देखने में विश्वसनीय परिणाम तैयार कर सकता है। Inherent का कहना है कि Faraday को लंबी अवधि वाली शोध-क्षमता सिखाई गई है—परिकल्पना बनाना, उसे परखना, असफल प्रयासों से सीखना और अगले उपयोगी कदम का चुनाव करना। 4

कंपनी रीप्लिकेशन को इस क्षमता के प्रशिक्षण की उपयोगी शुरुआत मानती है। प्रकाशित पेपर अक्सर शोध के दौरान हुए हर परीक्षण और गलती का पूरा विवरण नहीं देते। इसलिए किसी परिणाम को दोहराने के लिए एजेंट को उस छिपी हुई व्यावहारिक प्रक्रिया का कुछ हिस्सा फिर से हासिल करना पड़ता है। Inherent की व्यापक दलील है कि यही कौशल आगे चलकर एजेंटों को ज्ञात निष्कर्षों की पुष्टि से अधिक खुले और नए शोध की दिशा में ले जा सकता है। 49

Faraday खुद कोड नहीं करता, GPT-5.5 Codex को निर्देश देता है

Faraday को किसी शक्तिशाली कोडिंग एजेंट के पूर्ण विकल्प के रूप में पेश नहीं किया गया है। इसके बजाय, वह एक सुपरवाइजरी वैज्ञानिक परत की तरह काम करता है और रीप्लिकेशन कार्यों के दौरान OpenAI के GPT-5.5 Codex को टूल के रूप में निर्देशित करता है। Inherent इस व्यवस्था की तुलना ऐसे वैज्ञानिक से करती है जो कोडिंग असिस्टेंट की मदद लेता है: Faraday योजना और वैज्ञानिक निर्णय देता है, जबकि Codex कार्यान्वयन का बड़ा हिस्सा संभालता है। 39

इस ढांचे में केवल मॉडल का आकार निर्णायक नहीं रहता। अपेक्षाकृत छोटा मॉडल यह तय करके उपयोगी हो सकता है कि बड़े टूल को क्या करना चाहिए, कब रणनीति बदलनी है और प्राप्त नतीजों का मूल्यांकन कैसे करना है। इसलिए Faraday की रिपोर्ट की गई बढ़त को वैज्ञानिक योजना और उन्नत कोडिंग क्षमता के संयोजन से मिलने वाला orchestration advantage समझना अधिक सही होगा—यह 27 अरब पैरामीटर वाले मॉडल के हर क्षेत्र में बड़े मॉडलों से बेहतर होने का प्रमाण नहीं है।

लक्ष्य: स्वायत्त वैज्ञानिक नहीं, वैज्ञानिक सहयोगी

Inherent का कहना है कि वह ऐसे AI एजेंट बनाना चाहती है जो शोधकर्ताओं के साथ टीममेट की तरह काम करें। ये एजेंट प्रयोगों की योजना बनाने, उन्हें चलाने, परिणामों की समीक्षा करने और बार-बार सुधार करने में मदद कर सकते हैं, जबकि दिशा और निगरानी मनुष्यों के पास बनी रहे। 45

इस नजरिए से Faraday उस विचार का शुरुआती रूप है: एक ऐसा मॉडल जो सामान्य-उद्देश्य वाले कोडिंग टूल के ऊपर वैज्ञानिक अंतर्ज्ञान और रिसर्च मैनेजमेंट की परत जोड़ता है। कंपनी की दीर्घकालिक महत्वाकांक्षा ऐसे एजेंट बनाने की है जो नई वैज्ञानिक जानकारी खोजने में योगदान दे सकें, लेकिन मौजूदा नतीजा अभी रीप्लिकेशन दिखाता है, खोज नहीं। 34

यह सीमा महत्वपूर्ण है। किसी ज्ञात परिणाम को दोहराना वैज्ञानिक विश्वसनीयता की उपयोगी परीक्षा है, लेकिन इससे यह अपने-आप साबित नहीं होता कि एजेंट महत्वपूर्ण मौलिक सवाल बना सकता है, वास्तव में नई परिकल्पनाएं गढ़ सकता है या वास्तविक दुनिया में किसी खोज की पुष्टि कर सकता है।

Inherent की रणनीति क्या संकेत देती है

Inherent ने कथित तौर पर 5 करोड़ डॉलर की seed funding के साथ stealth mode से बाहर आकर खुद को Google DeepMind के पूर्व कर्मचारियों द्वारा स्थापित एक केंद्रित लंदन AI रिसर्च लैब के रूप में पेश किया है। 25 कंपनी का फोकस उन क्षमताओं पर है जो सामान्य AI मॉडल अपने-आप पर्याप्त रूप से विकसित नहीं कर सकते—प्रयोगात्मक निर्णय, लंबी अवधि की योजना, मूल्यांकन और इंसानों व सॉफ्टवेयर टूल के बीच समन्वय।

इसी रणनीति के कारण कंपनी Faraday के बाहरी कोडिंग सिस्टम इस्तेमाल करने पर भी जोर देती है। हर क्षमता को एक ही बड़े मॉडल में विकसित करने के बजाय Inherent एक विशेष परत तैयार करने की कोशिश कर रही है, जो मौजूदा frontier टूल को वैज्ञानिक काम के लिए अधिक प्रभावी बनाए। 39

फिलहाल संतुलित निष्कर्ष यही है: Inherent का दावा है कि reinforcement learning से प्रशिक्षित अपेक्षाकृत छोटा सुपरवाइजरी मॉडल एक सावधानी से परिभाषित रीप्लिकेशन बेंचमार्क पर बड़े frontier सिस्टम से बेहतर प्रदर्शन कर सकता है। असली बड़ा सवाल—क्या यह तरीका भरोसेमंद और मौलिक वैज्ञानिक योगदान भी दे सकता है—अभी खुला हुआ है।