Liten AI-agent skal ha slått GPT-5.5 og Claude i forskningstest

Det britiske AI-selskapet Inherent hevder at forskningsagenten Faraday har slått både Anthropic Claude Opus 4.8 og OpenAI GPT-5.5 i en avgrenset oppgave: å gjenskape resultater fra publiserte vitenskapelige artikler uten å få fasiten på forhånd. 25

Det oppsiktsvekkende er ikke bare hvem Faraday skal ha slått, men hva agenten er bygget på. Systemet bruker Qwen 3.6, en relativt liten modell med 27 milliarder parametere – langt mindre enn de store frontmodellene den ble sammenlignet med. 15

Det er likevel viktig å lese påstanden riktig. Dette er Inherents eget resultat fra en spesifikk evaluering av papirreplikasjon. Det er ikke uavhengig dokumentasjon på at Faraday generelt er bedre enn Claude eller GPT-5.5.

Hva ble Faraday faktisk testet på?

Oppgaven var vitenskapelig replikasjon. Agenten får en publisert studie og må rekonstruere nok av arbeidet til å gjenskape funnene, i stedet for bare å oppsummere artikkelen eller gjette et kjent svar.

En teknisk beskrivelse av evalueringen omtaler Replica som en test med 310 oppgaver, der målet er å gjenskape vitenskapelige figurer. 8 Det gjør testen relevant for AI-systemer som skal arbeide med forskning, men også ganske snever. Gode resultater her sier ikke nødvendigvis noe om generell resonnering, programmering, tekstskriving eller evnen til å gjøre originale oppdagelser.

Hvorfor er 27 milliarder parametere interessant?

Faraday er bygget på Qwen 3.6 med 27 milliarder parametere. Inherent fremhever dette som en tydelig størrelsesforskjell sammenlignet med systemene fra Anthropic og OpenAI. 15

Poenget er imidlertid ikke at Qwen 3.6 alene har erstattet de ledende generellmodeller. Faraday er et helt agentsystem, der resultatet avhenger av grunnmodellen, ettertrening, arbeidsflyt, verktøy og fordelingen mellom planlegging og gjennomføring.

En mindre modell kan derfor være konkurransedyktig i en spesialisert oppgave dersom systemet rundt den er godt tilpasset nettopp denne oppgaven. Inherents strategi er å prioritere vitenskapelig styring og gode beslutninger fremfor å trene markedets største modell.

Trenes til «forskningssans»

Inherent beskriver målet som «research taste», eller forskningssans. Det handler om å vite hvilke eksperimenter som er verdt å gjennomføre, hvordan de bør utformes, når resultatene er uklare, og når man bør skifte retning. 4

Selskapet sier at det brukte forsterkende læring for å utvikle denne egenskapen. I stedet for å foreskrive hvert eneste trinn belønnes agenten for kvaliteten på den samlede forskningsprosessen og resultatet. Det skiller seg fra trening mot en kortsvarsprøve, der riktig svar allerede er definert.

Faraday trenger heller ikke å utføre alle praktiske oppgaver selv. Den kan bruke kodeagenter, blant annet OpenAI GPT-5.5 Codex, som verktøy. Tanken er at Faraday skal ta rollen som forskningsleder: Den legger opp den vitenskapelige planen og vurderer valgene, mens en spesialisert kodeagent hjelper med å gjøre planen om til kjørbare eksperimenter. 6

Sammenligningen blir dermed mer nyansert. Den rapporterte fordelen gjelder hele arbeidsflyten rundt Faraday – ikke nødvendigvis Qwen-modellen alene.

Hvorfor begynne med å gjenskape andres forskning?

Replikasjon gir en AI-forsker en konkret og målbar måte å øve på vitenskapelig arbeid. Agenten må tolke en artikkel, formulere hypoteser om metoden, velge eksperimenter, håndtere mislykkede forsøk og sammenligne egne resultater med de publiserte funnene.

Inherents utgangspunkt er at den ferdige artikkelen bare viser en liten del av arbeidet. Prøving og feiling, forkastede ideer og praktiske valg er som regel ikke med i den endelige teksten. Å rekonstruere denne skjulte prosessen kan derfor fungere som en kontrollert treningsarena for vitenskapelig tenkning. 5

Replikasjon er også enklere å evaluere enn en helt ny oppdagelse. Det finnes et ytre mål: Klarte agenten å gjenskape resultatet, og var forsøksdesignet vitenskapelig forsvarlig? Det gjør oppgaven til et mulig mellomsteg før AI-systemer skal undersøke spørsmål der ingen kjenner svaret.

Målet er AI-forskere – ikke bare bedre benchmarkresultater

Inherent fremstiller ikke papirreplikasjon som endestasjonen. Selskapet ser Faraday som et tidlig steg mot AI-forskere som kan arbeide på tvers av fagområder og på sikt bidra til genuint ny kunnskap. 13

Det er en langt større ambisjon enn å vinne en benchmark. Å gjenskape et publisert resultat viser at systemet behersker enkelte nyttige deler av forskningsarbeidet. Original forskning krever i tillegg at man finner verdifulle ubesvarte spørsmål, utvikler nye hypoteser, designer pålitelige tester og produserer resultater som tåler kritisk gransking.

Faraday-testen bør derfor først og fremst ses som dokumentasjon på én del av denne utviklingen – ikke som et bevis på at målet allerede er nådd.

En liten London-startup med en konsentrert strategi

Inherent kom ut av «stealth»-fasen, altså perioden der selskapet holdt arbeidet sitt relativt skjult, etter å ha hentet inn 50 millioner dollar i såkornkapital. Selskapet bygger videre i London og skal ifølge rapportene vokse fra rundt et dusin ansatte til omkring 20–25. 5

Det peker mot en liten og forskningsintensiv organisasjon, snarere enn en kamp om å matche bemanningen eller treningsbudsjettene til de største AI-laboratoriene.

Medgründer og forskningssjef Edward Hughes har kritisert britiske regler om «garden leave». Slike klausuler kan innebære at ansatte må vente før de kan begynne hos en ny arbeidsgiver, og kan dermed bremse overgangen for forskere som vil bytte jobb eller starte et selskap. Inherent mener dette gjør det vanskeligere å konkurrere om erfarne AI-forskere, blant annet fra DeepMind, mot selskaper med større finansielle muskler. 6

Strategien er derfor å satse konsentrert: et lite team, forsterkende læring, vitenskapelig dømmekraft og stadig bedre eksterne verktøy. Dersom modellen fungerer også utenfor den første evalueringen, kan den gi mindre selskaper en alternativ vei inn i AI-forskning – uten at de selv må bygge den største grunnmodellen.

Konklusjonen

Inherent sier at Faraday presterte bedre enn GPT-5.5 og Claude Opus 4.8 da systemene skulle gjenskape publiserte vitenskapelige funn, selv om Faraday bygger på en Qwen 3.6-modell med bare 27 milliarder parametere.

Den viktigste ideen er likevel ikke bare at en liten modell skal ha vunnet en sammenligning. Det interessante er påstanden om at forskningsplanlegging, langsiktig forsterkende læring og koordinering av verktøy kan være like viktig som rå modellstørrelse når AI skal brukes i vitenskapelig arbeid.

Så langt støtter bevisene en mer begrenset konklusjon: Faraday fremstår som et lovende forskningsagentsystem i oppgaven Inherent testet. Resultatet viser ikke at agenten generelt er bedre enn modellene fra Anthropic eller OpenAI, og papirreplikasjon alene er heller ikke det samme som selvstendig vitenskapelig oppdagelse.