Faraday lar en 27B-modell styre GPT-5.5 Codex som forsker

Når en AI-agent skal gjenskape forskning, er ikke den største modellen nødvendigvis den beste arbeidslederen. Faraday er en AI-forsker på 27 milliarder parametere som er trent til å velge eksperimenter, skalere dem og styre GPT-5.5 Codex som kodeverktøy.

Det er en viktig forskjell. Faraday gjør ikke hele jobben alene, og den beviser heller ikke at en liten modell er generelt smartere enn Claude eller GPT-5.5. Den fungerer som forskeren over kodeagenten: leser en ufullstendig beskrivelse, legger en plan, bestiller kode og vurderer hva som bør undersøkes videre.

På Inherents eget Replica-oppsett gjorde Faraday det bedre enn Claude Opus 4.8 og GPT-5.5 alene. Resultatene er sterke nok til å ta på alvor, men både oppgavene, målemetoden og hovedpåstanden kommer fra Inherent selv. Dette er derfor et lovende forskningsresultat, ikke et uavhengig bevis på at autonome AI-forskere nå kan slippes løs på vitenskapen. Metoden treffer likevel et problem jeg tror mange agentbyggere kjenner igjen: Den kraftigste modellen er ikke nødvendigvis den beste til å styre et langt og rotete arbeid.

Hva er Faraday?

Faraday er en 27B-modell som er ettertrent med reinforcement learning for å gjenskape figurer og påstander fra forskningsartikler. I forskningsartikkelen datert 14. august 2026 beskriver Inherent den som et lag med vitenskapelig dømmekraft over en kodeagent, ikke som en modell som skal skrive all kode selv.

Basismodellen er Qwen3.6-27B. Når Faraday arbeider, kan den bruke OpenAIs GPT-5.5 Codex som verktøy for programmeringen. Det er omtrent slik en forsker kan bruke en dyktig utvikler: Forskeren avgjør hva som må undersøkes, mens utvikleren gjennomfører den tekniske bestillingen. Dermed er overskriften om at 27 milliarder parametere slår en mye større modell sann, men litt for enkel. Faraday vinner ved å orkestrere en stor modell bedre.

Inherent er et britisk AI-laboratorium grunnlagt av tidligere DeepMind-forskere. Selskapet omtaler Faraday som en «AI teammate» og vil bygge systemer som bidrar til å finne ny vitenskapelig kunnskap. TechCrunch beskriver et team på rundt 12 ansatte som nylig kom ut av stealth og nå viser fram sitt første konkrete forskningssystem.

Hvordan tester man om en AI kan forske?

Inherent bygget Replica, en samling på 310 oppgaver hentet fra 100 forskningsartikler publisert mellom 1990 og 2026. Oppgavene dekker maskinlæring og AI brukt innen blant annet biologi, materialvitenskap og værvarsling. I hver oppgave fjernes en resultatfigur fra artikkelen, og agenten må forsøke å gjenskape den uten å få se fasiten.

Dette er mer krevende enn å kjøre kode fra et GitHub-repositorium. En forskningsartikkel er en komprimert fortelling om det som virket. Mislykkede forsøk, små valg underveis og detaljer forskerne tok for gitt, står ofte ikke der. Agenten må derfor finne ut hva påstanden egentlig krever, velge et eksperiment og lage en mindre variant dersom originalen krever mer tid eller regnekraft enn den har fått.

Alle agentene fikk samme oppgavemateriale, en tidsramme på 60 minutter og samme GPU-budsjett. Claude Opus 4.8 ble kjørt i Claude Code, mens GPT-5.5 ble kjørt i Codex. Begge fikk høyeste oppgitte nivå for tenking. Hver agent gjennomførte åtte forsøk per oppgave, og gjennomsnittet ble brukt som resultat. Det er en langt mer seriøs test enn å vise fram ett håndplukket forsøk som gikk bra.

Hvorfor gjorde Faraday det bedre enn Claude og GPT-5.5?

Faraday slo både Claude Opus 4.8 og GPT-5.5 på 60 prosent av de holdte AI-for-science-oppgavene, ifølge Inherents egen presentasjon av Faraday og forskningsartikkelen. Selskapets resultater viser også en fordel på treningsfordelingen og i gjennomsnittsresultatet på testdelen, men dette er fortsatt Inherents egen måling.

Fordelen lå særlig i eksperimentell dybde, gjenskaping av hovedpåstanden og visuell likhet med den skjulte figuren. Faraday var omtrent på nivå med Claude i implementasjonstrohet og vitenskapelig integritet. Forskerne fant også et tydelig mønster i de beste kjøringene: Faraday prøvde å implementere mekanismen artikkelen beskrev, mens basismodellene oftere tok snarveier eller laget et forenklet resultat som så riktig ut.

Det siste er mer verdifullt enn noen få prosentpoeng. En agent som lager en pen graf ved å hardkode formen, har ikke gjenskapt forskningen. Den har pyntet på leksene. Skal AI brukes i vitenskap, må den belønnes for å finne ut om påstanden holder, ikke for å produsere noe som ligner på forventet svar.

Prompting alene lukket heller ikke gapet. Inherent kjørte 24 generasjoner med automatisk forbedring av instruksjonen til Codex, der Claude Opus 4.8 fikk se tidligere forsøk og dommerens tilbakemeldinger. Den optimaliserte prompten ble ikke meningsfullt bedre enn utgangspunktet. Resultatet tyder på at den vitenskapelige arbeidsmåten faktisk ble lært gjennom ettertreningen, i stedet for å kunne hentes fram med en ekstra lang systemprompt.

Den lille modellen gjør ikke jobben alene

Faraday bruker GPT-5.5 Codex som kodeverktøy. Under mesteparten av treningen brukte den den svakere GPT-5.4 mini, før de siste trinnene tok i bruk GPT-5.5. Inherent testet også et tidligere sjekkpunkt med begge kodeagentene og fant at Faraday ble bedre når verktøyet ble byttet til den kraftigere modellen, uten ny trening.

Det er kanskje det mest praktiske funnet i hele saken. Modellen som planlegger arbeidet, trenger ikke være den samme som skriver koden. En mindre, spesialisert agent kan holde hypotesen, budsjettet og retningen, mens en større generalist løser avgrensede tekniske oppgaver. Når kodeagenten blir bedre, kan forskningsagenten få et løft uten at hele systemet må bygges på nytt.

Dette forklarer også hvorfor «27B slår GPT-5.5» kan villede. Faraday konkurrerer mot GPT-5.5 som selvstendig agent samtidig som den får bruke GPT-5.5 som underleverandør. Det er helt legitimt i forsøket, fordi forskerne vil måle verdien av laget over kodeagenten. Men det er ikke David mot Goliat med én liten modell og én GPU. Det er et orkestrert system mot en kraftig generalist som får styre seg selv.

Jeg liker den arkitekturen. Gode agentoppsett handler ofte mindre om å finne én modell som gjør alt, og mer om å gi riktig ansvar til riktig komponent. Faraday peker mot samme arbeidsdeling i forskning: dømmekraft ett sted, kodeproduksjon et annet og kontroll av resultatet et tredje.

Kan vi stole på dommeren?

Replica bruker en automatisk, oppgavespesifikk rubrikk for å bedømme hvert forsøk. Claude Opus 4.7 lager rubrikken fra oppgaven, mens flere kjøringer av en Codex-basert dommer vurderer agentens arbeidsmappe, kode, figur og fasiten. Resultatene samles for å redusere støy, og belønningen fordeles tilbake på trinnene i arbeidsprosessen.

Inherent testet dommeren mot menneskelige fagfolk. Totalt deltok 20 personer og leverte 117 rangeringer. Den oppgavespesifikke rubrikkdommeren samsvarte bedre med menneskenes vurderinger og var mer konsistent enn en generell AI-dommer. Det er bra, men forskerne skriver også at dommeren var uenig med mennesker på enkelte oppgaver.

Den viktigste begrensningen er enkel: Inherent har laget agenten, benchmarken og dommeren som sier at agenten vant. Mennesketesten reduserer risikoen for at målet er fullstendig skjevt, men fjerner den ikke. Sammenligningen bør gjentas av uavhengige miljøer, helst med andre oppgavesett og dommere som ikke er utviklet sammen med Faraday.

OpenAI støtte på samme problem da selskapet laget PaperBench for replikering av AI-forskning. Den beste agenten i den opprinnelige testen slo ikke menneskelige eksperter. Resultatene kan ikke sammenlignes direkte med Replica fordi oppgaver, budsjetter og poengsystem er forskjellige. De viser derimot hvorfor forskningsreplikering har blitt en interessant test: Her holder det ikke å skrive et overbevisende svar.

Har Faraday vist ekte vitenskapelig nyskaping?

Ikke ennå. Faraday har vist at den kan gjenskape avgrensede resultater bedre enn sterke generalister innenfor Replica. Det er et relevant steg, fordi replikering krever at agenten fyller hull, velger hypoteser og håndterer mislykkede forsøk. Men å gjenskape en skjult figur er fortsatt noe annet enn å stille et nytt spørsmål som fører til ny kunnskap.

Inherent laget også kontrafaktiske varianter av oppgavene. Noen byttet datasettet eller miljøet, andre endret selve påstanden som skulle undersøkes. Faraday ble foretrukket framfor Codex på nesten alle. Forskerne er selv tydelige på forbeholdet: Rubrikkdommeren var ikke validert for disse oppdiktede oppgavene, så resultatet er et spor, ikke dokumentasjon på selvstendig innovasjon.

En annen test ga Faraday og Claude opptil åtte timer og åtte B300-GPU-er til å gjenskape et lite utvalg figurer i full skala. Faraday vant flertallet og fikk høyest gjennomsnitt hos AI-dommeren. Også her mangler menneskelig validering av dommeren på denne skalaen, og utvalget er altfor lite til å trekke brede konklusjoner.

Den nøkterne lesningen er derfor ganske oppløftende: Vitenskapelig arbeidsmåte ser ut til å kunne trenes fram som en egen agentkompetanse. Den bastante lesningen – at Inherent har laget en autonom forsker som oppdager ny vitenskap – har ikke dekning ennå. Det er ingen grunn til å overselge et resultat som allerede er spennende.

Hva betyr dette for AI-agenter?

Faraday viser at spesialisering kan ligge i hvordan en agent arbeider, ikke bare i hvilke fakta som finnes i modellen. Basismodellen var den svakeste før ettertreningen, men endte foran større modeller på holdte fagområder. På testsettet møtte den AI-for-science-artikler fra andre domener enn treningsoppgavene, og fordelen var fortsatt synlig.

Det gir et mer nyttig bilde av framtidens agenter enn ideen om én gigantisk modell som gjør alt. En god forskningsagent må kunne tåle at problemet er uklart, finne den neste testen, bruke verktøy, oppdage når en snarvei er juks og endre kurs når første forsøk feiler. Det er nettopp de delene vanlige chatmodeller ofte sliter med når en oppgave varer lenge.

For forskere kan verdien først komme i de lite glamorøse oppgavene: kontrollere om en figur lar seg gjenskape, prøve alternative antakelser, dokumentere negative resultater og finne detaljer som mangler i artikkelen. Det gjør ikke AI til forskningsleder. Det kan gjøre den til en nyttig kollega som kommer tilbake med eksperimenter i stedet for bare et selvsikkert avsnitt.

Faraday fortjener derfor oppmerksomhet, men av riktig grunn. Topplasseringen er selskapets egen og må etterprøves. Arkitekturen er derimot konkret: Tren en liten modell til å utøve dømmekraft, la den bruke stadig bedre kodeagenter og mål om den undersøker påstanden i stedet for å jukse seg fram til en pen figur. Hvis uavhengige tester bekrefter dette, kan forskningsagenter bli langt mer enn PDF-chat med laboratoriefrakk.

Ofte stilte spørsmål