Inherents Faraday uppges slå Claude och GPT-5.5 på forskningsreplikering

Det Londonbaserade AI-laboratoriet Inherent, grundat av tidigare Google DeepMind-medarbetare, säger att dess 27 miljarder parametrar stora agent Faraday kan återskapa resultat från publicerade vetenskapliga artiklar utan att få facit i förväg. Bolaget uppger också att Faraday presterade bättre än Anthropics Claude Opus 4.8 och OpenAI:s GPT-5.5 på just den uppgiften. 259

Om resultatet står sig i bredare och oberoende tester vore det anmärkningsvärt. Men påståendet är betydligt smalare än rubriken kan ge intryck av: Faraday har testats på att återskapa redan kända resultat, inte på att självständigt upptäcka ny vetenskaplig kunskap.

Så testades Faraday

Inherent har tagit fram Replica, ett benchmark baserat på 100 forskningsartiklar inom maskininlärning och AI för vetenskap. Materialet har omvandlats till 310 replikeringsuppgifter. I varje uppgift ska en agent återskapa en särskild figur från en artikel, med begränsad tid och datorkapacitet – och utan tillgång till originaldiagrammet. 34

Det är alltså mer krävande än att be en språkmodell sammanfatta en artikel eller kopiera en publicerad graf. Agenten måste tolka forskningen, skriva och köra de experiment som behövs, prioritera sina resurser och till sist skapa ett resultat som ligger tillräckligt nära det rapporterade fyndet för att räknas som en lyckad replikering.

Inherent säger att Faraday överträffade Claude Opus 4.8 och GPT-5.5 i detta benchmark, trots att den underliggande modellen är betydligt mindre och har 27 miljarder parametrar. 158 Det bör läsas som ett påstående om ett specifikt test – inte som en generell ranking av systemen inom all vetenskaplig forskning eller programmering.

Därför talar Inherent om ”forskningskänsla”

Enligt Inherent räcker det inte att få fram en slutlig graf som ser rätt ut. En skicklig forskare måste också avgöra vilka experiment som är värda att genomföra, utforma dem på ett rimligt sätt, tolka tvetydiga resultat och byta strategi när ett spår inte leder någonstans. Bolaget beskriver den samlade förmågan som ”research taste”, eller forskningskänsla. 47

Skillnaden är viktig. En modell kan i teorin skapa ett övertygande resultat utan att ha följt en tillförlitlig vetenskaplig process. Inherent säger att Faraday i stället tränas för mer långsiktiga arbetsmönster: att formulera hypoteser, testa dem, lära sig av misslyckanden och välja nästa steg utifrån vad som verkar mest lovande. 4

Här spelar förstärkningsinlärning en central roll. Målet är inte bara att optimera för ett resultat som liknar facit, utan att träna agenten i den prövande process som leder fram till resultatet. När en publicerad artikel inte beskriver all praktisk felsökning och alla misslyckade försök måste agenten själv återskapa en del av det arbetet.

Inherent ser därför replikering som en träningsmiljö för mer öppna forskningsuppgifter. Bolagets bredare tes är att en agent som lär sig navigera denna process kan ta steget från att verifiera kända fynd till att bidra till mer självständig forskning. 49

Faraday använder GPT-5.5 Codex som verktyg

Faraday presenteras inte som en fristående ersättare för kraftfulla kodningsagenter. I stället fungerar modellen som ett överordnat vetenskapligt lager som styr OpenAI:s GPT-5.5 Codex under replikeringen. Inherent liknar upplägget vid en forskare som använder en kodningsassistent: Faraday bidrar med planering och vetenskapliga bedömningar, medan Codex utför mycket av det praktiska genomförandet. 39

Det flyttar fokus från modellstorlek till samordning. En mindre modell kan skapa stort värde genom att avgöra vad den större modellen ska göra, när strategin bör ändras och hur resultaten ska bedömas.

Faradays påstådda försprång är därför delvis ett resultat av denna kombination av vetenskaplig planering och avancerad kodningsförmåga. Det är inte bevis för att en modell med 27 miljarder parametrar generellt är bättre än större system.

Målet är en vetenskaplig lagkamrat – inte en helt autonom forskare

Inherent säger att bolaget vill bygga AI-agenter som samarbetar med forskare som lagkamrater. Tanken är att systemet ska kunna hjälpa till att planera, genomföra, granska och upprepa experiment, samtidigt som människor behåller riktning och tillsyn. 45

Faraday bör därför ses som ett tidigt steg mot den visionen: en modell som tillför vetenskaplig intuition och forskningsledning ovanpå allmänna kodningsverktyg. Bolagets långsiktiga ambition är agenter som kan bidra till att upptäcka ny kunskap, men det aktuella resultatet handlar om replikering – inte upptäckter. 34

Den gränsdragningen är avgörande. Att återskapa ett känt resultat är ett värdefullt test av vetenskaplig tillförlitlighet. Det visar däremot inte i sig att en agent kan formulera viktiga originella forskningsfrågor, ta fram genuint nya hypoteser eller bekräfta upptäckter i verkligheten.

Vad lanseringen säger om Inherents strategi

Inherent har lämnat sitt så kallade stealth-läge som ett fokuserat AI-laboratorium i London, grundat av Google DeepMind-alumner. Bolaget har enligt rapporteringen tagit in 50 miljoner dollar i en såddrunda. 25

Strategin är att koncentrera sig på sådant som generella AI-modeller inte nödvändigtvis lär sig automatiskt: experimentellt omdöme, långsiktiga beslut, utvärdering och samordning mellan människor och programvaruverktyg.

Det förklarar också varför Inherent lyfter fram att Faraday använder ett externt kodningssystem. I stället för att bygga alla förmågor i en enda modell försöker bolaget utveckla ett specialiserat lager som gör befintliga avancerade verktyg mer användbara i vetenskapligt arbete. 39

Den försiktiga slutsatsen är samtidigt intressant: Inherent hävdar att en relativt liten modell, tränad med förstärkningsinlärning och placerad i en ledande roll, kan överträffa större AI-system i ett noggrant avgränsat replikeringsbenchmark. Den större frågan – om metoden kan leda till tillförlitliga och originella vetenskapliga bidrag – är fortfarande öppen.