Inherent Labs 推出 Faraday：27B 模型指揮 GPT-5.5 復現論文，超越頂尖大模型

讓一個 27B 引數的小模型，去指揮 GPT-5.5 甚至更大的模型幹活，還能在實際任務中反超它們——這種事情聽起來有點像讓實習生給資深工程師派活，但 AI 研究界最近真把這套邏輯跑通了。

AI 研究機構 Inherent Labs 推出了一款名為 Faraday 的「AI 科學家」模型，引數量只有 27B。在極具挑戰性的論文復現任務中，它擊敗了 Claude Opus 4.8 以及 GPT-5.5 本身。

讓小腦子負責假設，巨無霸負責搬磚

Faraday 能跑贏前沿大模型，核心在於它乾脆放棄了自己寫程式碼。

以往人們習慣讓大模型從頭到尾包辦一切，既要想方案，又要碼程式碼，還要排錯。Faraday 選擇把科研判斷力與實際寫程式碼徹底解耦：這個 27B 的小模型只做假設驅動的探索和實驗決策，寫程式碼這件事，被它當作工具甩給了 GPT-5.5 Codex。

更有意思的是它的泛化能力。Faraday 在訓練階段指揮的只是 GPT-5.4-mini 這樣的輔助模型，但在實際測試時，它直接接管更強大的 GPT-5.5 Codex 依然遊刃有餘。

在任務設定上，Inherent Labs 搞得非常刁鑽：只給模型學術論文的正文文本，把所有圖表和曲線全扣下，要求 agent 在有限算力內把論文成果復現出來。既然論文通常只寫成功的結果，絕不會寫失敗的彎路，模型就必須像真正的人類科研人員那樣，靠假設驅動去探索未知路徑。

怎麼給沒有標準答案的科研做強化學習？

科學探索最讓人頭疼的地方，在於它沒有現成的標準答案，也就很難像刷數學題那樣做強化學習。

之前 OpenAI 研究員 Lilian Weng 在綜述裡提到的最大痛點，就是科研評估器又弱又模糊，論文研究的品味、新穎性在 PaperBench 上最高也只有約 21% 的水平，遠落後於人類博士生。

Faraday 衝著這個死穴拿出瞭解決方案。它為每個具體任務自動生成評測規則，構建出一個自動裁判，再通過多次取樣聚合以及 turn-level 信用分配機制來大幅降低評估噪音。

這和前幾天清華開源的 openrsi 走的是同一條路線：當時 35B 的小模型在 MLE-Bench Lite 上逼近了 GPT-5.6 Sol。大家似乎都在用實際行動證明一件事：在科研和機器學習工程這個戰場上，小模型加懂工具，完全能壓過單打獨鬥的前沿大模型。

為什麼重要

對於搞科研的演算法工程師或學術團隊來說，Faraday 的意義非常實在。復現冷門論文往往要耗掉博士生幾個星期的時間，如果一套 27B 的排程模型配合商用程式設計 API 就能完成假設驗證，科研試錯的門檻將被直接拉低一個數量級。

在行業層面，這徹底動搖了「只有萬億引數大基座才能搞科學發現」的迷信。巨型模型做基礎設施和工具執行，輕量專精模型做決策中樞，這種分工很可能會成為下一代自主科研實驗室的標準架構，倒逼底層模型提供商最佳化自己的工具呼叫介面。

我們認為，Inherent Labs 最聰明的地方在於切斷了模型對確定性程式碼能力的依賴，轉去啃「研究品味」和「假設檢驗」這塊硬骨頭。不過目前自動裁判機制依然處於探索階段，如何避免模型在多輪互動中鑽評分規則的空子，依然是接下來所有 AI for Science 專案必須邁過的一道坎。