Faraday, agente de IA com modelo de 27 bilhões de parâmetros, supera rivais em teste de pesquisa, diz Inherent

A Inherent, laboratório de inteligência artificial sediado em Londres e fundado por ex-pesquisadores do Google DeepMind, afirma que seu novo agente Faraday superou o Claude Opus 4.8, da Anthropic, e o GPT-5.5, da OpenAI, em uma tarefa específica: reproduzir de forma independente os resultados de artigos científicos publicados, sem receber a resposta antecipadamente. O resultado chama atenção porque o Faraday é baseado no Qwen 3.6, um modelo relativamente pequeno, com 27 bilhões de parâmetros, e não em um sistema de escala de fronteira. 25

A ressalva é importante: trata-se de um resultado divulgado pela própria Inherent em uma avaliação de replicação científica. Isso não comprova, por si só, que o Faraday seja um modelo geralmente mais capaz que o Claude ou o GPT-5.5.

Em que o Faraday teria superado GPT-5.5 e Claude

O teste avaliou a capacidade de replicar pesquisas. Em vez de apenas resumir um artigo ou responder a uma pergunta com resultado conhecido, o agente recebe um estudo publicado e precisa reconstruir parte suficiente do método para reproduzir suas conclusões. A Inherent diz que o Faraday teve desempenho superior ao Claude Opus 4.8 e ao GPT-5.5 nesse cenário. 5

Uma descrição técnica da avaliação apresenta o Replica como um benchmark com 310 tarefas voltadas à reprodução de figuras científicas. 8 O recorte faz diferença: um bom resultado em um fluxo de trabalho de pesquisa bem definido pode revelar capacidades úteis sem demonstrar desempenho superior em raciocínio geral, programação, escrita ou descoberta científica.

Por que um modelo de 27 bilhões de parâmetros importa

O Faraday roda sobre o Qwen 3.6, com 27 bilhões de parâmetros. A Inherent destaca esse número como um contraste relevante em relação aos sistemas maiores usados na comparação. 15

A conclusão defendida pela empresa não é que o Qwen 3.6, sozinho, tenha substituído os principais modelos de uso geral. O Faraday é um sistema de agente: seu desempenho depende do modelo-base, do pós-treinamento, do fluxo de pesquisa, do uso de ferramentas e da divisão entre planejamento e execução.

Em outras palavras, um modelo menor pode ser competitivo em uma tarefa especializada quando todo o sistema ao redor é otimizado para aquele objetivo. Essa é a aposta central da Inherent: em vez de treinar o maior modelo de uso geral possível, a empresa quer combinar um modelo compacto com melhor orientação científica e ferramentas especializadas.

Treinar “tato de pesquisa”, não apenas pontuação

A Inherent descreve a habilidade buscada como “research taste”, ou “tato de pesquisa”: o julgamento necessário para decidir quais experimentos valem a pena, como planejá-los, quando um resultado é inconclusivo e quando é melhor mudar de direção. 4

Segundo a empresa, o Faraday foi desenvolvido com aprendizado por reforço para cultivar esse comportamento. Em vez de determinar cada etapa do processo, o treinamento recompensa a qualidade do percurso e do resultado final da investigação. A abordagem é diferente da otimização para um benchmark de respostas curtas, no qual a resposta correta já está definida.

O Faraday também não precisa executar sozinho todas as etapas práticas. Ele pode usar agentes de programação, incluindo o GPT-5.5 Codex, da OpenAI, como ferramentas. Nessa divisão de tarefas, o Faraday funciona mais como um diretor de pesquisa: estabelece o planejamento científico e exerce o julgamento, enquanto um sistema especializado em código ajuda a transformar o plano em experimentos executáveis. 6

Por isso, a comparação deve ser lida com cuidado. A vantagem relatada pela Inherent pertence ao fluxo completo do agente, e não necessariamente ao modelo-base de 27 bilhões de parâmetros funcionando isoladamente.

Por que replicar artigos pode ser o primeiro passo

A replicação oferece a um pesquisador de IA uma forma concreta de praticar ciência. O agente precisa interpretar um artigo, formular hipóteses sobre o método usado, escolher experimentos, lidar com tentativas que falham e comparar os próprios resultados com as conclusões publicadas.

A premissa da Inherent é que o artigo final registra apenas uma parte do trabalho. O processo de tentativa e erro, as abordagens descartadas e as decisões práticas que levaram ao resultado costumam ficar de fora. Reconstruir esse caminho oculto pode funcionar, portanto, como um ambiente controlado para treinar raciocínio científico. 5

A tarefa também é mais fácil de avaliar do que uma descoberta realmente original. Na replicação, existe um alvo externo: é possível verificar se o agente reproduziu o resultado divulgado e se suas decisões experimentais foram cientificamente defensáveis. Isso cria uma etapa intermediária antes de pedir a um sistema de IA que investigue perguntas cujas respostas ainda são desconhecidas.

A ambição de longo prazo da Inherent

A empresa não apresenta a replicação de artigos como destino final. O Faraday seria um passo inicial rumo a cientistas de IA capazes de trabalhar em diferentes áreas e, no futuro, contribuir para a produção de conhecimento genuinamente novo. 13

Essa é uma afirmação muito maior do que vencer um benchmark. Reproduzir um resultado publicado demonstra um comportamento de pesquisa útil, mas uma descoberta original exige identificar perguntas relevantes ainda sem resposta, criar hipóteses novas, planejar testes confiáveis e produzir resultados que resistam ao escrutínio de outros pesquisadores.

Assim, a avaliação do Faraday deve ser entendida como evidência de uma parte dessa trajetória — não como prova de que o objetivo mais amplo já foi alcançado.

Londres, contratação e a disputa por talentos

A Inherent saiu do modo sigiloso após levantar, segundo os relatos, US$ 50 milhões em uma rodada seed e está construindo a empresa em Londres, perto do ecossistema de talentos de onde vieram seus fundadores. 5 O plano divulgado de crescer de aproximadamente uma dúzia de pessoas para algo entre 20 e 25 funcionários indica uma estratégia compacta e intensiva em pesquisa, em vez de uma corrida para igualar o número de funcionários ou o orçamento de treinamento dos maiores laboratórios de IA.

Edward Hughes, cofundador e cientista-chefe da empresa, criticou as restrições britânicas de garden leave. A prática pode obrigar profissionais a cumprir um período afastados do trabalho antes de mudar de empregador ou ingressar em uma startup. Para a Inherent, isso representa um obstáculo competitivo na contratação de pesquisadores experientes, inclusive profissionais ligados à DeepMind, diante de empresas com mais recursos. 6

A estratégia resultante é baseada em concentração, não em escala: uma equipe enxuta, investimento em aprendizado por reforço e julgamento científico, além da combinação de um modelo-base menor com ferramentas externas cada vez mais capazes. Se essa fórmula funcionar além da avaliação inicial, ela poderá oferecer a startups outra forma de competir na pesquisa em IA sem construir o maior modelo do mercado.

O que o resultado realmente mostra

A Inherent afirma que o Faraday superou o GPT-5.5 e o Claude Opus 4.8 na replicação independente de resultados científicos publicados, mesmo usando um modelo Qwen 3.6 de 27 bilhões de parâmetros. A ideia mais relevante, porém, não é simplesmente a de que um modelo menor venceu uma comparação. É a possibilidade de que planejamento de pesquisa, aprendizado por reforço de longo horizonte e coordenação de ferramentas sejam tão importantes quanto o tamanho bruto do modelo em tarefas científicas.

Por enquanto, as evidências sustentam uma conclusão mais limitada: o Faraday é um sistema promissor de agente de pesquisa na tarefa avaliada pela Inherent. O resultado não estabelece uma superioridade ampla sobre os modelos da Anthropic ou da OpenAI, e a capacidade de replicar pesquisas, por si só, ainda não demonstra descoberta científica autônoma.