Faraday trener en 27B-modell til forskningssmak

Inherent Labs har lansert Faraday, en 27 milliarder parameter stor "AI Scientist"-agent trent til å replikere forskningsresultater. Det er ikke enda en generell chatbot med penere demo. Poenget er mer interessant: Inherent prøver å trene en mindre modell til å styre forskningsarbeid med bedre dømmekraft, mens tyngre kodeagenter brukes som verktøy.

I selskapets egen gjennomgang beskrives Faraday som en modell trent med langhorisont reinforcement learning. Oppgaven er å gjenskape figurer og resultater fra forskningsartikler uten tilgang til original kode eller original plot. Agenten får begrenset tid og beregningsbudsjett. Den må dermed gjøre det forskere faktisk gjør når metodeavsnittet er for kort: tolke premisser, velge hvilke eksperimenter som er verdt å kjøre, forenkle uten å jukse, feilsøke og vurdere om resultatet faktisk støtter påstanden.

Det gjør saken relevant langt utenfor akademia. De fleste virksomheter som snakker om AI-agenter i 2026 er fortsatt fanget i en enkel modell: stor modell pluss verktøy pluss litt orkestrering. Faraday peker på en annen retning. En spesialisert modell kan trenes til å være direktør for arbeidet, ikke bare utfører. For et konsern betyr det at fremtidige agenter kan bli målt på kvaliteten i beslutningssløyfen, ikke bare på om de skriver kode eller produserer tekst raskt.

Inherent introduserer samtidig Replica, et oppgavesett med 310 replikasjonsoppgaver fra 100 maskinlærings- og AI-for-science-artikler. Oppgavene dekker blant annet NLP, materialvitenskap og værvarsling. Selskapet hevder at Faraday gir mer trofaste replikasjoner enn Claude Opus 4.8 og GPT-5.5 i denne settingen, med særlig tydelig fordel innen meta-læring, strukturbiologi og materialvitenskap. Dette er leverandørens egne tall og må leses som et forskningssignal, ikke som uavhengig produksjonssertifisering. Men selve evaldesignet er lederrelevant: det måler om agenten klarer en lang, uklar og delvis ikke-verifiserbar arbeidsprosess. Det ligner mer på virkelige prosjekter enn en isolert prompt-benchmark.

Det mest interessante arkitekturgrepet er at Faraday ikke skal gjøre alt selv. Inherent skriver at Faraday bruker GPT-5.5 Codex som et verktøy, omtrent slik en forsker bruker en kodeagent. Modellen skal bidra med forskningssmak, planlegging og prioritering, mens den større kodeagenten gjør mye av den praktiske implementeringen. Inherent hevder også at Faraday kan generalisere til å styre en mer kapabel agent ved testtid etter trening med en svakere kodeagent. Hvis det holder i uavhengige tester, er det et viktig mønster: små domeneagenter kan bli verdifulle som styringslag over raskt skiftende frontier-verktøy.

For CIO og CISO er det to sider av dette. Den positive siden er åpenbar: FoU, analyse, simulering, compliance-utredninger og teknisk due diligence kan få agenter som faktisk lærer bedre arbeidsmetodikk, ikke bare bedre språk. Det kan redusere kostnaden ved å teste hypoteser og gjøre interne ekspertteam mer produktive. Den mindre behagelige siden er at slike systemer flytter risiko fra enkel output-kontroll til prosesskontroll. Hvis agenten velger feil eksperiment, aksepterer en snarvei eller optimaliserer mot en svak dommer, kan resultatet se vitenskapelig ut uten å være robust.

Derfor bør Faraday ikke leses som "AI erstatter forskeren". Det riktige lederpunktet er: agentstyring blir en egen modellklasse. Virksomheter som skal bruke slike systemer trenger logging av beslutningssløyfer, sporbarhet på verktøykall, menneskelig review på hypoteser og klare grenser for når agenten får eksperimentere selv. Det er ikke nok å spørre hvilken modell som scorer høyest. Man må spørre hva den er trent til å verdsette.

Faraday er fortsatt tidlig forskning, og Inherent holder mennesker eksplisitt inne i loopen. Likevel er retningen tydelig. AI-modeller blir ikke bare større generalister. De blir spesialiserte styringsmodeller for arbeid hvor fasiten er uklar. For ledere som bygger AI i kjerneprosesser er det sannsynligvis viktigere enn enda en prosent på en standard benchmark.

Kilder og medier

Primærkilde: Inherent Labs, "Training AI Scientists to Replicate Research", https://inherentlabs.ai/research/training-to-replicate Supplerende kilde: arXiv:2608.13331, "Training AI Scientists to Replicate Research". Thumbnail: OpenAI Image 2 / hogby.ai