Inherent Labs 推出 Faraday：27B 模型指挥 GPT-5.5 复现论文，超越顶尖大模型

让一个 27B 参数的小模型，去指挥 GPT-5.5 甚至更大的模型干活，还能在实际任务中反超它们——这种事情听起来有点像让实习生给资深工程师派活，但 AI 研究界最近真把这套逻辑跑通了。

AI 研究机构 Inherent Labs 推出了一款名为 Faraday 的「AI 科学家」模型，参数量只有 27B。在极具挑战性的论文复现任务中，它击败了 Claude Opus 4.8 以及 GPT-5.5 本身。

让小脑子负责假设，巨无霸负责搬砖

Faraday 能跑赢前沿大模型，核心在于它干脆放弃了自己写代码。

以往人们习惯让大模型从头到尾包办一切，既要想方案，又要码代码，还要排错。Faraday 选择把科研判断力与实际写代码彻底解耦：这个 27B 的小模型只做假设驱动的探索和实验决策，写代码这件事，被它当作工具甩给了 GPT-5.5 Codex。

更有意思的是它的泛化能力。Faraday 在训练阶段指挥的只是 GPT-5.4-mini 这样的辅助模型，但在实际测试时，它直接接管更强大的 GPT-5.5 Codex 依然游刃有余。

在任务设定上，Inherent Labs 搞得非常刁钻：只给模型学术论文的正文文本，把所有图表和曲线全扣下，要求 agent 在有限算力内把论文成果复现出来。既然论文通常只写成功的结果，绝不会写失败的弯路，模型就必须像真正的人类科研人员那样，靠假设驱动去探索未知路径。

怎么给没有标准答案的科研做强化学习？

科学探索最让人头疼的地方，在于它没有现成的标准答案，也就很难像刷数学题那样做强化学习。

之前 OpenAI 研究员 Lilian Weng 在综述里提到的最大痛点，就是科研评估器又弱又模糊，论文研究的品味、新颖性在 PaperBench 上最高也只有约 21% 的水平，远落后于人类博士生。

Faraday 冲着这个死穴拿出了解决方案。它为每个具体任务自动生成评测规则，构建出一个自动裁判，再通过多次采样聚合以及 turn-level 信用分配机制来大幅降低评估噪音。

这和前几天清华开源的 openrsi 走的是同一条路线：当时 35B 的小模型在 MLE-Bench Lite 上逼近了 GPT-5.6 Sol。大家似乎都在用实际行动证明一件事：在科研和机器学习工程这个战场上，小模型加懂工具，完全能压过单打独斗的前沿大模型。

为什么重要

对于搞科研的算法工程师或学术团队来说，Faraday 的意义非常实在。复现冷门论文往往要耗掉博士生几个星期的时间，如果一套 27B 的调度模型配合商用编程 API 就能完成假设验证，科研试错的门槛将被直接拉低一个数量级。

在行业层面，这彻底动摇了「只有万亿参数大基座才能搞科学发现」的迷信。巨型模型做基础设施和工具执行，轻量专精模型做决策中枢，这种分工很可能会成为下一代自主科研实验室的标准架构，倒逼底层模型提供商优化自己的工具调用接口。

我们认为，Inherent Labs 最聪明的地方在于切断了模型对确定性代码能力的依赖，转去啃「研究品味」和「假设检验」这块硬骨头。不过目前自动裁判机制依然处于探索阶段，如何避免模型在多轮交互中钻评分规则的空子，依然是接下来所有 AI for Science 项目必须迈过的一道坎。