消息看起来很炸裂。
但把论文翻到方法部分，会发现事情并不是“小模型单挑巨头”这么简单：这个27B模型身后，还站着GPT-5.5 Codex；评审席上，同样坐着Codex。
这不是一场单纯的模型能力对决。
它更像一次组织实验：一个负责判断方向的小脑，能不能指挥一个更强的执行者，把科研做得更像科研？
🎯本文目标
读完这篇文章，你会弄清三件事：
• Faraday到底做了什么；
• “超过GPT-5.5和Claude”有多少含金量；
• 为什么科学智能体可能成为下一轮Agent竞争的主战场。
一、DeepMind旧将，拿5000万美元押注“AI科学家”
Inherent是一家位于伦敦的AI实验室。
四位联合创始人中，Tantum Collins、Edward Hughes和Louis Kirsch都曾在DeepMind工作；Kaloyan Aleksiev则有Reka AI和微软经历。Collins还曾参与白宫的AI政策工作。
今年5月，这家公司带着5000万美元种子轮融资走出隐身状态，Index Ventures和Radical Ventures联合领投。
团队当时给出的目标很大：不满足于让AI回答科研问题，而是要让它成为能参与发现的“AI同事”。
Faraday就是他们交出的第一份技术答卷。
名字来自英国科学家迈克尔·法拉第。1821年，法拉第为写一篇电磁学综述，亲手复现前人的实验，过程中意外做出了电动机原型。
Inherent借用了这个故事：复现旧结果，不一定只是抄作业，也可能是发现新东西的起点。
二、它不是“读懂论文”，而是把图重新做出来
很多所谓AI科研助手，擅长总结论文、解释概念、生成研究方向。Faraday面对的任务更硬。
Inherent构建了一个叫Replica的任务集：
• 从100篇机器学习和AI for Science论文中抽取任务；
• 共形成310个论文图表复现任务；
• 论文跨度为1990年至2026年；
• 覆盖自然语言处理、材料科学、天气预测等方向。
每项任务都会把论文中的目标图隐藏起来。智能体只能看到删去该图的论文，需要自己判断该写什么代码、采用什么实验规模、怎样在有限资源内重建论文结果。
它拿到的资源也有上限：每项任务60分钟、单GPU预算，所有参赛系统使用相同任务材料。研究团队为每个智能体、每项任务运行8次，再取平均成绩。
这比“根据摘要写一段分析”难得多。
论文通常只告诉读者什么方法成功了，却不会完整记录那些失败的尝试。复现者必须补上这些空白：选数据、定参数、缩小实验规模、判断异常结果，再决定下一步往哪里走。
三、Faraday赢在哪：不是会写代码，而是会挑实验
论文给出的结果是：
• 在训练分布内的机器学习任务上，Faraday同时超过Claude与Codex的比例为73%；
• 在未参与训练的AI for Science任务上，这一比例为60%；
• 在测试集平均分上，Faraday比Claude高6%，比Codex高8%。
团队还选取了41组评审模型认为Faraday优势明显的运行记录，交给人类专家判断。其中29组里，人类同时更偏好Faraday而不是Claude和Codex。
但这组数字必须读完整。
Faraday的底座是Qwen3.6-27B。团队没有简单要求它独自完成全部编程，而是让它把GPT-5.5 Codex当作工具。
分工大致是这样的：
• Faraday负责理解论文、制定实验策略、决定何时调用工具、检查结果；
• Codex负责写代码、运行实验和处理工程问题；
• Faraday再根据反馈调整方向。
换句话说，27B模型扮演的是“研究负责人”，GPT-5.5 Codex更像执行能力很强的“工程搭档”。
这个设计最有意思的地方，是Faraday所指挥的工具模型比它大得多。论文引用外部估算，将GPT-5.5规模写为约5T参数。
小模型没有在每个环节变得更聪明。它学会的是：
1.什么实验值得先做；
2.什么时候应该怀疑现有结果；
3.怎样给强大的编码模型布置更好的任务；
4.如何避免用投机方法“凑出”目标图。
在论文展示的失败案例里，普通基线更容易硬编码预期输出，或者用一个过度简化的方案得到相似曲线。Faraday更倾向于实现论文真正想验证的机制，并覆盖更多实验条件。
这就是团队所说的“research taste”，可以理解为科研判断力。
四、标题里的“击败GPT-5.5”，需要打一个星号
如果只看发布标题，很容易得出一个错误结论：Qwen3.6-27B单模型战胜了GPT-5.5和Claude Opus 4.8。
事实并非如此。
Claude使用Claude Code框架，GPT-5.5使用Codex框架；Faraday使用自己的简单框架，同时可以调用GPT-5.5 Codex。
所以成绩属于完整Agent系统，不能直接归因于27B底座。
准确的说法应该是：经过强化学习训练的Faraday系统，在Replica这套评测中超过了两个前沿编码Agent基线。
Faraday调用Codex写代码。评测环节又使用基于Codex的裁判，根据每个任务的专属规则打分。
研究团队做了人类评审来校验裁判，并报告专属评分规则与人类排序的相关性更高。但论文也承认，仍有一些任务上，模型裁判与人类意见不一致。
更重要的是，那41组人工对比是从“自动裁判认为Faraday优势明显”的样本中挑选出来的。作者明确提醒：这个实验不能证明人类在全部任务上平均更喜欢Faraday。
所有系统获得了相同的60分钟单GPU预算，Faraday调用Codex时也把推理强度设为extra-high。这让计算资源条件更接近。
但公开材料没有给出一份可以直接横向比较的完整商业成本账单，例如每项任务的Token消耗、API费用、实际工具调用次数。
因此，“更小”不等于已经证明“更便宜”。
五、真正的变化：模型开始出现“管理层”
过去两年，AI产品的主流思路是把最强模型放在最前面：用户提问，大模型直接给答案。
Faraday提供了另一种结构：
• 一个较小、经过专门训练的模型负责判断；
• 一个通用的强模型负责执行；
• 外部工具负责提供环境、代码和反馈；
• 奖励系统负责塑造长期行为。
这很像企业里的专家团队。
最贵、执行能力最强的人，不一定要负责每次方向判断。一个真正理解任务的人，能够决定什么时候调用谁、检查什么、什么结果不能信。
这套结构一旦成立，Agent市场的护城河也会变化。
模型厂商继续比拼通用能力，但应用公司可以在上层训练自己的“判断模型”：药物研发看实验价值，材料研究看物理合理性，量化研究看回测泄漏，工业研发看约束条件。
这也是Inherent选择强化学习而不是单纯堆提示词的原因。团队让Claude自动优化Codex提示词，连续迭代了24轮，结果只缩小了一点差距。
有些能力可以告诉模型怎么做。有些能力必须在大量反馈中练出来。
六、从复现论文到发现新知识，中间还隔着三道坎
Faraday离“独立科学家”仍然很远。
Replica关注的是论文中的单个图表，并允许在有限算力下缩小实验。它能检验实验判断力，但不能替代完整的科研复核，更不等于发现新的科学规律。
团队用专属评分规则、多次采样和人类研究降低裁判噪声，这是认真且必要的工作。
但只要关键奖励来自语言模型，就无法完全排除评审偏差。智能体是否学会了真正的科研严谨，还是更会满足裁判，仍需要更多外部复测。
目前任务主要来自机器学习和AI for Science论文，并在数字环境中运行。真正的生物、化学和材料实验还涉及仪器误差、样品差异、安全流程和漫长反馈周期。
从“在容器里复现曲线”到“在实验室里发现新药”，不是多跑几个Agent就能跨过去的。
Inherent做过一组规模更大的补充实验：从8篇论文各选一个任务，提供最长8小时、最多8张B300 GPU。Faraday平均领先Claude，并在其中5项占优。
但作者也很克制：样本只有8项，裁判在大规模任务上的有效性还需要进一步验证，不能据此下更强结论。
这种克制，反而比“AI科学家已经来了”更值得尊重。
写在最后
Faraday最容易被传播的故事，是“27B小模型击败GPT-5.5”。
但真正有价值的故事是另一句：
未来最强的AI系统，未必由一个无所不能的模型构成，而可能是一支层次分明的模型团队。
小模型负责品味和方向，大模型负责重活，工具负责接触现实，反馈负责纠偏。
这条路如果走通，科学研究只是第一站。软件开发、金融分析、工业设计、医疗研究，都可能长出自己的“专家判断层”。
到那时，公司真正稀缺的资产不只是调用了哪个模型，而是它能不能把多年积累的判断标准，训练成一套会工作的系统。
这比再造一个聊天框难得多，也值钱得多。
欢迎评论区聊聊：你更看好“一个无所不能的超级模型”，还是“多个模型分工协作的专家团队”？
关注数据码农，用数据和技术视角重新理解科技圈。每周 2-3 篇硬核分析，不追热点，只追逻辑。
(整理编辑：Kai)
京公网安备11010502056287号