27 мільярдів параметрів проти флагманських моделей: що насправді показав Faraday

Лондонська лабораторія штучного інтелекту Inherent, заснована випускниками Google DeepMind, заявила, що її агент Faraday із 27 мільярдами параметрів може відтворювати результати опублікованих наукових робіт, не знаючи відповіді заздалегідь. За даними компанії, на цьому конкретному завданні Faraday також випередив Anthropic Claude Opus 4.8 та OpenAI GPT-5.5. 259

Якщо результат підтвердять ширші незалежні перевірки, це буде важливою заявкою. Водночас заголовок потребує уточнення: Faraday тестували на відтворенні вже відомих результатів, а не на самостійному відкритті нових наукових знань.

Що саме перевіряли

Inherent створила Replica — бенчмарк на основі 100 наукових робіт із машинного навчання та напрямів, де ШІ застосовують у науці. Їх перетворили на 310 завдань із відтворення результатів. У кожному завданні агент має відтворити конкретний рисунок із публікації, працюючи в умовах обмежених часу та обчислювальних ресурсів і не маючи доступу до оригінального графіка. 34

Тобто йдеться не про просте резюме статті чи копіювання готової діаграми. Агент повинен розібратися в методиці дослідження, реалізувати потрібні експерименти, вирішити, як найкраще використати доступні ресурси, а потім отримати результат, достатньо близький до описаного в роботі, щоб його зарахували як відтворення.

Inherent стверджує, що Faraday перевершив Claude Opus 4.8 і GPT-5.5 у цьому бенчмарку, попри значно менший розмір моделі — 27 мільярдів параметрів. 158 Однак це слід сприймати як результат конкретного тесту, а не як загальний рейтинг систем у всіх наукових або програмувальних завданнях.

Чому компанія говорить про «наукове чуття»

На думку Inherent, справжня наукова робота не зводиться до отримання фінального графіка. Досліднику потрібно визначити, які експерименти мають сенс, грамотно їх спланувати, інтерпретувати неоднозначні результати й змінити підхід, якщо початкова ідея не спрацювала. Компанія називає сукупність таких рішень «дослідницьким чуттям» — research taste. 47

Ця відмінність важлива: модель може згенерувати правдоподібний результат, не дотримуючись надійного наукового процесу. Inherent заявляє, що навчає Faraday поведінки, потрібної для тривалого дослідження: формувати гіпотези, перевіряти їх, робити висновки з невдалих спроб і обирати найперспективніші наступні кроки. 4

Саме тому компанія робить ставку на довготривале навчання з підкріпленням, а не лише на оптимізацію схожості кінцевої відповіді. За задумом Inherent, відтворення чужих результатів змушує агента відновлювати значну частину практичних спроб і помилок, які наукова стаття часто не описує в деталях. У майбутньому цей навик може стати основою для більш відкритих дослідницьких завдань. 49

Faraday використовує GPT-5.5 Codex як інструмент

Faraday не позиціонують як повністю самодостатню заміну потужному програмувальному агенту. Під час відтворення досліджень він працює як науковий керівний рівень, який спрямовує OpenAI GPT-5.5 Codex. Inherent порівнює цю схему з роботою науковця, який користується помічником для написання коду: Faraday відповідає за планування та наукові рішення, а Codex виконує значну частину технічної реалізації. 39

Такий підхід зміщує акцент із самого розміру моделі на організацію роботи. Менша модель потенційно може додавати цінність, вирішуючи, що саме має зробити потужніший інструмент, коли варто змінити стратегію та як оцінити отримані результати.

Тому заявлена перевага Faraday частково є перевагою оркестрації — поєднанням наукового планування з можливостями передового програмувального агента. Це не доводить, що 27-мільярдна модель Inherent загалом здібніша за значно більші системи.

Не автономний учений, а науковий напарник

Inherent прагне створити ШІ-агентів, які працюватимуть із дослідниками як напарники. Така система має допомагати планувати, проводити, критикувати й повторювати експерименти, тоді як люди зберігатимуть контроль над напрямом роботи та наглядом за нею. 45

У цьому сенсі Faraday — радше рання версія концепції: модель, що додає наукову інтуїцію та управління дослідженням до універсальних інструментів для написання коду. Довгострокова мета компанії — агенти, здатні робити внесок у відкриття нових знань, але нинішній результат демонструє саме відтворення, а не відкриття. 34

Цю межу важливо не розмивати. Відтворення відомого результату — цінна перевірка наукової надійності. Проте воно саме по собі не показує, що агент може сформулювати важливе оригінальне питання, запропонувати справді нову гіпотезу або перевірити відкриття в реальному світі.

Що це говорить про стратегію Inherent

Inherent вийшла з режиму непублічної розробки як лондонська лабораторія, заснована колишніми співробітниками Google DeepMind, і повідомила про залучення 50 мільйонів доларів посівного фінансування. 25 Компанія зосереджується на аспектах ШІ-досліджень, які універсальні моделі можуть не опановувати автоматично: експериментальному розсуді, рішеннях на довгій дистанції, оцінюванні результатів і координації людей із програмними інструментами.

Цим також пояснюється використання зовнішньої системи для написання коду. Inherent не намагається зібрати всі можливості в одній моделі, а розробляє спеціалізований рівень, який має зробити вже наявні передові інструменти ефективнішими для наукової роботи. 39

Обережний, але важливий висновок такий: Inherent заявляє, що відносно компактна модель, навчена з підкріпленням і призначена для наукового керування, може випереджати більші передові системи на чітко визначеному бенчмарку відтворення. Чи зможе цей підхід привести до надійних оригінальних наукових результатів — питання, на яке Faraday поки що не відповідає.