位於倫敦的 AI 研究機構 Inherent 發表了專門用來重現已發表研究的代理 Faraday。它的底座只是一個 270 億參數的模型，但在公開的評測結果中，這項任務的表現超越了規模大上許多的 Claude Opus 4.8 與 GPT-5.5。其目的並不在於登上排行榜，而是讓代理學會真正研究者的做事方式。
不給答案，要它把論文裡的圖重新畫出來
訓練 Faraday 使用的是名為 Replica 的強化學習任務空間。代理會拿到一篇研究論文，並被要求重現其中一張圖。原始圖表不會提供，可用的時間與運算資源也都設有上限，能依靠的只有內文以及其中描述的方法。
初期任務集共有 310 項任務，取自機器學習與 AI for science 領域的 100 篇論文。涵蓋範圍從自然語言處理延伸到材料科學與天氣預報，因此只針對單一領域的特性做最佳化並不容易過關。
重現一張圖聽起來像是雜務，但 Inherent 認為研究能力的核心正好就在這裡。論文記載的是走得通的步驟，作者試過又放棄的部分不會留在紙面上。要讓重現成立，代理必須自己把那些消失的嘗試與失敗重新組建起來，而這需要以假設為驅動的探索，也正是研究本身的運作方式。
270 億參數勝過體量高出數個數量級的對手
比較對象是 Anthropic 的 Claude Opus 4.8 與 OpenAI 的 GPT-5.5，分別在 Claude Code 與 Codex 的執行環境中運行，思考強度設為最高等級。Faraday 的底座則是 Qwen 3.6 的 270 億參數版本，規模上完全不在同一個級別。
Inherent 表示，Faraday 在任務集的所有類別中都給出更忠實的重現結果，其中後設學習、結構生物學與材料科學的領先幅度最為明顯。面對較新的研究時效能下滑也較小，該公司認為這代表代理能把學到的做法套用到基礎模型在預訓練階段未曾接觸過的內容上。
如何為研究品味評分
真正棘手的是評分方式。圖看起來一樣，並不等於重現成功。實驗設計、科學操作是否嚴謹、對原論文主張的忠實程度，以及有限資源的運用方式，都必須納入評價。該公司把這一整套稱為 research taste，也就是研究品味。
團隊因此讓大型語言模型擔任評審，並透過人工研究驗證其判斷與專家感覺的吻合程度。問題在於，語言模型評審的輸出帶有隨機性，這種波動會直接變成獎勵訊號的雜訊。解法是為每項任務準備專屬的評分準則，其一致性優於通用評審，與人類評分的吻合度也更高。訓練階段還追加了兩項處理：把多次判斷結果加以彙整，以及將獎勵細分到對話的每一輪。
小模型指揮大模型
另一個引人注目的地方是，Faraday 本身並沒有編寫程式的工具。實際撰寫程式的工作交給 GPT-5.5 Codex，Faraday 負責決定要驗證什麼、以及怎麼驗證。這與人類研究者運用現成軟體的關係如出一轍，只是被原封不動搬進了代理。
更令人意外的是，Faraday 訓練時的搭檔是 GPT-5.4-mini，但在測試階段改由它指揮效能更強的 GPT-5.5 Codex 之後，表現反而提升。它把比自己大上數個數量級的模型當成工具使用，並改善了結果。若編寫程式的代理持續進步，Inherent 判斷，負責指揮的那一層判斷力只會更有價值。此外 Faraday 不依賴人工搭建的演化式框架，也不使用測試階段的獎勵，這點與既有的自動研究代理不同。
Inherent 是一家剛起步的公司，2026 年 5 月以 5,000 萬美元（約 80 億日圓）的種子輪募資走出隱身狀態，由 Google DeepMind 的前成員創辦，據點設在倫敦的國王十字區。目前團隊約 12 人，計畫在年底前擴充到 20 至 25 人。這次的成果是它對外交出的第一份成績單。
※1 美元 = 159 日圓（截至 2026 年 8 月 21 日）
總結
Inherent 發表的 Faraday 底座只有 270 億參數，卻在論文重現任務上勝過 Claude Opus 4.8 與 GPT-5.5。關鍵有三點：不給標準答案、要求還原圖表的任務設計；針對研究品質本身評分的準則式評審；以及把實作工作交給更大模型的分工方式。當成一種主張來讀，它想說的是，要讓 AI 對科學有用，除了把模型做大之外還有別的路。
