Inherent 称 27 亿参数 Faraday 在科研复现任务中超越 Claude 与 GPT-5.5

伦敦 AI 实验室 Inherent 表示，其拥有 270 亿参数的 Faraday 智能体能够在事先不知道答案的情况下，复现已发表科学论文中的研究结果。该公司还称，在这一特定的科研复现任务上，Faraday 的表现超过了 Anthropic 的 Claude Opus 4.8 和 OpenAI 的 GPT-5.5。259

如果这一结果能在更大规模、由独立机构开展的测试中得到验证，它无疑颇具看点。但需要先划清边界：Faraday 目前接受的是“复现已知结果”的评估，而不是独立提出问题、发现全新科学知识的测试。

Faraday 究竟接受了什么测试？

Inherent 构建了名为 Replica 的基准，收录了 100 篇机器学习和“AI for Science”论文，并将其转化为 310 项复现任务。每项任务都要求智能体在有限的时间和计算资源内，重新生成论文中的某一幅图表，同时无法查看原始图形。34

这比让模型概述论文内容，或照着论文复制一张已发表的图表，要难得多。智能体必须理解研究方法、编写并运行必要的实验，决定如何分配有限资源，并生成足够接近论文结论的结果，才算完成复现。

Inherent 称，尽管 Faraday 的模型规模只有 270 亿参数，但它在这一基准上超过了 Claude Opus 4.8 和 GPT-5.5。158不过，这应当被理解为针对特定基准的比较，而不是对这些系统在所有科研、编程或推理任务上的综合排名。

Inherent 所说的“研究品味”是什么？

Inherent 的核心观点是，科研能力不只是得到一个看起来正确的最终结果。优秀研究者还需要判断哪些实验值得开展、如何合理设计实验、如何解释含糊不清的结果，以及在某条路线失败后何时调整方向。公司把这组判断能力称为“研究品味”（research taste）。47

这一点很重要，因为模型有可能生成外观合理的结果，却没有遵循可靠的科学过程。Inherent 表示，Faraday 通过训练学习更长期的研究行为：提出假设、进行检验、从失败中吸取信息，并选择下一步更有希望的实验。4

公司将科研复现视为训练这些能力的合适起点。要复现一项已发表成果，智能体往往必须重新经历论文没有完整记录的实际试错过程。Inherent 的更大设想是，如果智能体学会驾驭这一过程，未来就可能从验证已知结论，逐步走向更加开放式的科研工作。49

Faraday 并不取代 GPT-5.5 Codex，而是指挥它

Faraday 并不是一个完全独立、能够包办所有编程工作的科研模型。相反，它在复现任务中充当监督层，调用并指挥 OpenAI 的 GPT-5.5 Codex。Inherent 将这种关系类比为科学家使用编程助手：Faraday 负责规划和科研判断，Codex 则承担大量具体实现工作。39

这套设计把重点从模型参数规模本身转向了“如何分工”。一个规模更小的模型，也可能通过决定大型工具该做什么、何时更换策略，以及如何评估实验结果而发挥价值。

因此，Faraday 所谓的优势部分来自工具编排能力——也就是科研规划与前沿编程能力的结合——并不能证明它的 270 亿参数模型在所有方面都普遍强于规模更大的系统。

目标是科研队友，而不是“全自动科学家”

Inherent 表示，公司希望打造能够与研究人员协作的 AI 科研队友。理想中的系统将帮助人类规划、执行、批评和迭代实验，同时由研究人员保留研究方向与监督权。45

Faraday 更适合被理解为这一愿景的早期版本：它在通用编程工具之上，增加了科研直觉和研究管理能力。Inherent 的长期目标是开发能够参与新知识发现的智能体，但目前公布的成果证明的仍是“复现”，而不是“发现”。34

这一区别不容忽视。复现已知结果是检验科研可靠性的重要方式，但它本身并不能证明智能体能够提出重要而原创的问题、生成真正新颖的假设，或在现实世界中验证一项新发现。

Inherent 的公司策略：把资源集中在“科研判断”上

Inherent 是一家总部位于伦敦、由前 Google DeepMind 成员创立的 AI 实验室。据报道，公司以 5000 万美元种子轮融资结束隐身状态。25

它的路线并不是把所有能力都塞进一个模型，而是专注于通用模型可能不会自动掌握的部分：实验判断、长期决策、评估，以及人与软件工具之间的协作。34

这也解释了 Faraday 为什么使用外部编程系统。Inherent 试图训练一个专业化的科研监督层，让现有的前沿工具在科学工作中发挥更大作用，而不是重新打造一个包揽所有能力的单一模型。39

眼下更稳妥的结论是：Inherent 声称，一个规模相对较小、经过强化学习训练的监督模型，在定义清晰的科研复现基准上超过了更大型的前沿系统。至于这种方法能否最终带来可靠、原创的科学贡献，仍需要更广泛且独立的验证。