Faraday на моделі 27B заявив про перемогу над GPT-5.5 і Claude у науковому тесті

Лондонська AI-лабораторія Inherent, заснована колишніми дослідниками Google DeepMind, заявила, що її новий дослідницький агент Faraday випередив Claude Opus 4.8 від Anthropic і GPT-5.5 від OpenAI у вузькому завданні: самостійно відтворювати результати опублікованих наукових робіт, не знаючи відповіді заздалегідь. 25

Найбільше уваги привертає не лише заявлений результат, а й масштаб моделі: Faraday працює на Qwen 3.6 із 27 млрд параметрів — це значно менше, ніж у систем, із якими його порівнювали. 15

Водночас важливо не перебільшувати висновок. Йдеться про результат, заявлений Inherent для конкретного тесту з відтворення наукових досліджень, а не про незалежно підтверджену загальну перевагу Faraday над Claude або GPT-5.5.

Що саме порівнювали

У цьому сценарії агент отримує опубліковану наукову роботу й має реконструювати достатню частину дослідження, щоб повторити його висновки. Це складніше, ніж просто переказати статтю або вгадати відому відповідь: системі потрібно розібратися в методі, сформулювати припущення, обрати експерименти, написати код і впоратися з невдалими спробами.

Технічний опис оцінювання називає Replica бенчмарком зі 310 завдань, зосереджених на відтворенні наукових графіків. 8 Така спеціалізація має значення: успіх у чітко визначеному дослідницькому процесі демонструє корисні навички, але не дає підстав робити висновки про загальне міркування, програмування, написання текстів чи відкриття нових закономірностей.

Чому модель із 27 млрд параметрів привернула увагу

Faraday побудований на Qwen 3.6 з 27 млрд параметрів. Inherent підкреслює контраст із набагато більшими передовими системами Anthropic та OpenAI, які використали для порівняння. 15

Однак це не означає, що сама Qwen 3.6 стала універсально сильнішою за Claude чи GPT-5.5. Faraday — не просто базова модель, а повноцінна агентна система, результат якої залежить від донавчання, планування, використання інструментів і розподілу роботи між різними компонентами.

Іншими словами, компактна модель може бути конкурентною у вузькому завданні, якщо систему навколо неї добре оптимізовано під конкретний робочий процес. Саме на цьому й будується стратегія Inherent: не змагатися за найбільшу універсальну модель, а посилювати здатність AI ухвалювати наукові рішення.

«Наукове чуття» замість гонитви за балами

Inherent описує цільову навичку терміном «research taste» — умовно «наукове чуття». Це здатність визначати, які експерименти справді варті часу, як їх спроєктувати, коли результат є непереконливим і коли потрібно змінити напрям дослідження. 4

Компанія стверджує, що розвивала цю поведінку за допомогою підсилювального навчання. Замість того щоб детально прописувати агенту кожен крок, підхід винагороджує якість усього дослідницького процесу та його підсумку. Це відрізняється від оптимізації під короткий тест, де правильна відповідь уже заздалегідь визначена.

Faraday також не мусить виконувати всі технічні операції самостійно. Він може використовувати агентів для програмування, зокрема GPT-5.5 Codex. У такій схемі Faraday виступає радше науковим керівником: формує план і визначає логіку дослідження, а спеціалізований coding-агент допомагає перетворити цей план на робочі експерименти. 6

Тому заявлену перевагу слід приписувати всій архітектурі Faraday, а не ізольованій моделі Qwen із 27 млрд параметрів.

Чому відтворення досліджень може стати школою для AI-науковців

Відтворення вже опублікованої роботи дає штучному інтелекту конкретне й перевірюване завдання. Агент має зрозуміти статтю, висунути гіпотези щодо методу, обрати експерименти, пережити невдалі спроби та зіставити власні результати з опублікованими.

У Inherent виходять із того, що готова наукова стаття показує лише невелику частину реальної роботи. Зазвичай у ній не видно численних спроб і помилок, відкинутих підходів та практичних рішень, які привели авторів до фінального результату. Відтворення дозволяє в контрольованих умовах тренувати саме цей прихований процес наукового міркування. 5

Таке завдання також простіше оцінювати, ніж справжнє відкриття. Для реплікації є зовнішня ціль: можна перевірити, чи вдалося повторити результат і чи були рішення агента науково обґрунтованими. Це робить її проміжним етапом перед завданнями, де відповідей ще ніхто не знає.

Довгострокова мета Inherent

Inherent не подає відтворення статей як кінцеву мету. Компанія розглядає Faraday як ранній крок до AI-науковців, які зможуть працювати в різних наукових галузях і допомагати отримувати справді нові знання. 13

Це значно масштабніша заява, ніж перемога в одному бенчмарку. Успішне відтворення опублікованого результату свідчить про корисну дослідницьку поведінку, але оригінальні відкриття вимагають також знаходити важливі нерозв’язані питання, генерувати нові гіпотези, проєктувати надійні перевірки й отримувати результати, здатні витримати експертну перевірку.

Тож поточне оцінювання варто сприймати як доказ одного елемента цього шляху, а не як підтвердження того, що автономний AI-науковець уже створений.

Лондон, найм і конкуренція за таланти DeepMind

Нещодавно Inherent вийшла з режиму прихованої розробки, залучивши, за повідомленнями, $50 млн у посівному раунді. Компанія розвивається в Лондоні — поблизу середовища, з якого походять її засновники. 5

План зростання приблизно з десятка співробітників до 20–25 вказує на невелику, але дослідницьки інтенсивну команду, а не на спробу конкурувати з найбільшими AI-лабораторіями кількістю працівників чи витратами на навчання моделей.

Співзасновник і головний науковець Inherent Едвард Г’юз критикував британські правила garden leave — періоду після звільнення, коли працівник часто ще не може одразу розпочати роботу в іншого роботодавця. На його думку, такі обмеження сповільнюють перехід досвідчених AI-дослідників до стартапів і створюють труднощі під час конкуренції за кадри DeepMind із компаніями, що мають значно більші ресурси. 6

Стратегія Inherent виглядає сфокусованою: невелика команда, інвестиції в підсилювальне навчання та наукове планування, а також поєднання компактної базової моделі з потужними зовнішніми інструментами. Якщо цей підхід покаже результат і за межами початкового тесту, він може стати для стартапів альтернативою дорогій гонитві за найбільшою моделлю на ринку.

Висновок

Inherent заявляє, що Faraday випередив GPT-5.5 і Claude Opus 4.8 у незалежному відтворенні наукових результатів, хоча працює на моделі Qwen 3.6 із 27 млрд параметрів. Глибший висновок полягає не просто в тому, що менша модель перемогла більші системи, а в тому, що якість планування, довготривале підсилювальне навчання та координація інструментів можуть бути не менш важливими за сам масштаб моделі в науковій роботі.

Наразі коректніше говорити про перспективну дослідницьку агентну систему, яка показала сильний результат у конкретному завданні Inherent. Ці дані не доводять загальної переваги над моделями Anthropic чи OpenAI і самі по собі не свідчать про здатність Faraday здійснювати автономні наукові відкриття.