Faraday – Inherent 推出的 AI 科学家智能体深度评测

1. Faraday是什么

Faraday 是由伦敦 AI 实验室 Inherent 推出的 AI 科学家智能体，基于 270 亿参数的 Qwen 3.6 模型，通过强化学习训练而成。与传统大模型直接生成答案的范式不同，Faraday 能够像人类博士生一样，在不预先知道答案的情况下自主阅读学术论文、设计实验方案并复现研究结果。在论文复现基准 Replica 上，Faraday 的表现超越了 Claude Opus 4.8 和 GPT-5.5，以不到十分之一的模型参数实现了更强的科学推理能力，为 AI 科研自动化开辟了新的技术路径。

技术定位与领域： Faraday 属于 AI for Science 领域的智能体系统，聚焦于"论文复现"这一科研核心环节。其独特定位在于将科学决策能力与工程实现能力解耦：Faraday 本身负责理解论文、设计实验、分配计算资源等高层科学判断，而具体的代码编写与调试执行则交由外部编程工具完成。这一架构设计使其在模型规模远小于通用大模型的情况下，仍能在科研任务上取得领先表现。

研发背景： Faraday 由伦敦 AI 实验室 Inherent 研发，该团队专注于探索 AI 在科学发现中的深层应用。研发动机源于机器学习领域日益严重的"复现危机"——大量已发表论文的实验结果难以被独立验证。Inherent 团队希望通过构建具备自主科研能力的智能体，为论文复现提供规模化、自动化的解决方案，同时验证"科学智能可以独立于工程智能存在"这一核心假设。

核心价值： Faraday 解决了三个关键问题：一是论文复现高度依赖人工、效率低下的问题，将复现周期压缩至 60 分钟内；二是小模型能否胜任复杂科学推理的争议，以 27B 参数超越千亿级模型的实证给出了明确答案；三是强化学习在长程、非可验证任务中难以稳定训练的技术瓶颈，通过 rubric-based judge 奖励系统和 turn-level credit assignment 实现了稳定优化。

技术特点： Faraday 采用 Coding Agent as a Tool（CAT）架构，将 Codex GPT-5.5 作为外部编码工具，形成"科学大脑 + 工程双手"的分工模式。其训练数据来自自动生成的 Replica 基准，涵盖 100 篇 1990–2026 年的知名论文共 310 个复现任务。通过修改版 GRPO 算法配合 LoRA 微调（rank=128），在 128K token 上下文窗口中以 6×10⁻⁶ 学习率完成长程强化学习后训练，实现了跨领域、跨时代的稳定科研能力泛化。

2. 主要功能

• 自主论文复现： Faraday 能够阅读被遮盖结果图表的学术论文，仅凭方法描述和实验设置推断作者的实验路径，在 60 分钟和 1/7 个 H200 GPU 的严格资源限制内自主设计并执行复现实验。该功能直接对标本领域长期存在的复现危机，为大规模验证已发表研究的可靠性提供了自动化手段。

• 科学实验设计： 面对无法全规模复现的实验，Faraday 能按比例缩小实验规模，同时保持对原论文核心主张的忠实度。这一能力被团队称为"研究品味"——在资源受限时，模型能够判断哪些实验变量是核心的、哪些可以简化，而非机械地照搬原实验设置，体现了高层次的科学判断力。

• 工具调用编程（CAT 架构）： Faraday 采用 Coding Agent as a Tool 架构，通过 shell 工具调用 Codex GPT-5.5 作为外部编程助手。Faraday 自身专注科学决策，包括理解论文、设计实验方案和分配计算资源，由 Codex 负责具体代码编写与调试执行。这一设计验证了科学智能与工程智能可以解耦，为构建模块化 AI 科研系统提供了新思路。

• 跨领域泛化： Faraday 在机器学习论文上训练，在 AI-for-Science 论文（如材料科学、气象预测、生物信息学等领域）上测试，仍保持 60% 以上的任务胜率。这表明其习得的并非特定领域的复现技巧，而是可迁移的科学推理能力，能够适应不同学科的实验设计与验证逻辑。

• Rubric-based Judge 奖励系统： 针对复现任务无确定答案的难题，系统先用 Claude Opus 4.7 为每个任务自动生成专属评分标准（隐藏原始 gold plot 以防过拟合），再由 Codex GPT-5.5 作为执行 judge，在 10 分钟内审查代码库、git 历史和交互记录，从视觉匹配、科学主张支持、实验忠实度、资源利用效率和科学诚信五个维度给出 0–1 分的奖励信号，为强化学习提供可靠的训练信号。

• 长程强化学习训练： Faraday 采用修改版 GRPO 算法配合 LoRA 微调（rank=128），在 128K token 上下文窗口中以 6×10⁻⁶ 学习率进行后训练。每批次均匀采样覆盖不同时代的论文，确保训练不受单一科学范式主导，成功将强化学习扩展到长程、非可验证的科研任务，实现了稳定的策略优化。

• 可扩展基准生成： 基于 Replica 基准自动生成任务空间，从 100 篇论文扩展出 310 个复现任务。使用 Gemini 2.5 Pro 自动识别并遮盖论文中的结果图表形成任务，为 AI 科学家训练提供了可规模化的数据基础设施，解决了科研智能体训练数据稀缺的核心痛点。

3. 如何使用

1. 了解当前发布状态： Faraday 目前处于研究发布阶段，尚未推出面向公众的 API、产品界面或体验入口。用户暂时无法直接在线使用该模型，但可以通过阅读官方技术论文和 Replica 基准文档了解其技术架构与训练方法。

2. 查阅技术论文： 访问 arXiv 技术论文（https://arxiv.org/pdf/2608.13331），详细了解 Faraday 的模型架构、CAT 设计、Replica 任务空间构建方法以及强化学习训练细节。论文中包含了实验设置、评估结果和与基线模型的对比数据，是理解其技术原理的一手资料。

3. 研究 Replica 基准： 通过项目官网（（链接待官方发布后更新） Replica 基准的相关信息。该基准涵盖 100 篇 1990–2026 年的知名论文共 310 个复现任务，研究者和开发者可以将其作为评估自有科研智能体能力的标准化测试集。

4. 关注开源进展： 截至本文发布，Faraday 的模型权重尚未开源，但团队已公开论文与 Replica 基准。建议持续关注 Inherent 实验室官网和 arXiv 页面，获取模型发布及开源的最新动态。若需要复现论文中的实验，可按照论文描述的架构自行搭建训练流程。

5. 硬件环境准备： 根据论文披露的信息，Faraday 的训练和推理涉及 H200 GPU 资源（复现任务限制为 1/7 个 H200 GPU）。研究团队若计划复现该系统的训练流程，需要准备相应的高性能计算资源，并配置支持长上下文（128K token）的模型训练环境。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于希望验证论文可复现性的科研机构或期刊审稿方，Faraday 的定位最为契合，其 Replica 基准和自动化评估框架可直接用于批量检验研究结果的可信度。但需注意模型尚未开源，目前更适合作为研究参考而非生产工具。若团队需要从零开始生成研究课题并产出完整论文，Sakana AI 的 The AI Scientist 提供了更完整的端到端能力，且代码已开源，便于二次开发。

进一步考量： 在生物医学等需要与实体实验结合的场景中，Google 的 AI Co-Scientist 和 FutureHouse 的 Cradle Scientist 分别从"辅助专家决策"和"自动化湿实验执行"两个角度切入，与 Faraday 形成互补。Faraday 的独特价值在于证明了小模型通过工具解耦和强化学习也能达到顶尖科研表现，这一技术路线对未来构建低成本、可扩展的 AI 科研基础设施具有重要参考意义。实际选型应综合考虑任务类型、资源预算、开源需求和部署环境等因素。

6. 编辑总结

Faraday 的核心创新在于用实证数据回应了 AI 科研领域的两个关键争议：一是模型规模是否决定科学推理能力上限，二是科学智能与工程智能能否解耦。以 27B 参数的 Qwen 3.6 为基座，通过 CAT 架构将编码任务外包给 Codex GPT-5.5，Faraday 在 Replica 基准上超越了 Claude Opus 4.8 和 GPT-5.5 等千亿级模型，这一结果具有明确的技术示范意义——科学决策能力可以通过针对性的强化学习训练获得，而非必须依赖模型规模的无限扩张。

从实用价值来看，Faraday 瞄准的论文复现场景直击机器学习领域的痛点。Replica 基准的自动生成机制（从 100 篇论文扩展出 310 个复现任务）为 AI 科学家训练提供了可规模化的数据基础设施，Rubric-based Judge 奖励系统则解决了非可验证任务中强化学习信号稀疏的难题。这些技术组件具有独立的复用价值，即使 Faraday 模型本身暂未开源，其方法论也能为后续研究提供重要参考。

Faraday 的适用人群主要包括：从事 AI for Science 研究的研究人员、关注科研自动化与论文复现问题的学术机构、以及希望构建低成本科研智能体的技术团队。需要指出的是，模型未开源、依赖闭源外部工具、评估流程部分依赖商业 API 等因素，限制了其当前的可直接采用程度。

展望未来，Faraday 代表的"小模型 + 工具解耦 + 长程强化学习"技术路线，为 AI 科研基础设施的构建提供了高性价比的可行方案。其跨领域泛化能力（ML 训练、AI-for-Science 测试保持 60% 以上胜率）表明，科学推理的核心能力具有跨学科迁移的潜力。随着 Replica 基准的扩展和更多研究团队的加入，这一方向有望推动 AI 科学家从实验室原型走向实际的科研生产力工具。

7. 应用场景

• 学术论文复现验证： 科研机构可使用 Faraday 批量验证已发表论文的可复现性，解决机器学习领域的"复现危机"。通过自动化复现流程，可在短时间内筛查大量论文的实验结果可靠性，为科研质量评估提供数据支撑。

• 博士生科研训练： 作为"虚拟研究助手"，Faraday 可帮助博士生通过复现经典论文来培养实验设计与科学品味。其"研究品味"能力——在资源受限时设计忠实于原论文的缩小版实验——为初学者提供了可参考的实验设计范例。

• AI-for-Science 实验验证： 在材料科学、气象预测、生物信息学等领域，Faraday 可自动复现跨学科论文中的实验结果，帮助研究人员快速验证新方法在自身领域的适用性，加速跨学科研究方法的迁移与应用。

• 研究基准测试： 为 AI 科学家 Agent 提供标准化的 Replica 评估框架，用于衡量不同模型在科研任务上的能力。研究团队可使用该基准对自有模型进行评测，建立可比较的性能指标。

• 研究方法审计： 期刊审稿人或基金评审机构可用 Faraday 快速检验投稿论文中实验结果的真实性与可复现性，作为同行评审的辅助工具，提升学术出版的质量控制水平。

8. 常见问题FAQ

Q：Faraday 与通用大模型（如 GPT-5.5、Claude Opus 4.8）的本质区别是什么？
A：通用大模型擅长知识问答和代码生成，但缺乏自主设计实验、验证科学假设的闭环能力。Faraday 通过强化学习专门训练了科学决策能力，能够像博士生一样阅读论文、设计实验、执行复现并评估结果，且以 27B 参数在论文复现任务上超越了千亿级通用模型。

Q：Faraday 的"工具解耦"架构具体是如何运作的？
A：Faraday 采用 Coding Agent as a Tool（CAT）架构，自身负责高层科学决策（理解论文、设计实验、分配资源），通过 shell 工具调用 Codex GPT-5.5 作为外部编程助手完成具体代码编写与调试。这种分工让科学智能与工程智能各司其职，也使得 Faraday 无需在代码生成上消耗过多模型能力。

Q：Faraday 的训练数据是如何构建的？
A：训练数据来自自动生成的 Replica 基准，涵盖 100 篇 1990–2026 年的知名论文共 310 个复现任务。使用 Gemini 2.5 Pro 自动识别并遮盖论文中的结果图表形成任务，Agent 需在 60 分钟和 1/7 个 H200 GPU 的严格限制内自主复现结果。

Q：Faraday 的强化学习训练有什么特别之处？
A：Faraday 采用修改版 GRPO 算法配合 LoRA 微调（rank=128），在 128K token 上下文窗口中以 6×10⁻⁶ 学习率进行后训练。关键创新在于 Rubric-based Judge 奖励系统——先用 Claude Opus 4.7 为每个任务自动生成专属评分标准，再由 Codex GPT-5.5 从五个维度给出奖励信号，解决了复现任务无确定答案的奖励设计难题。

Q：Faraday 的模型权重是否开源？能否直接使用？
A：截至本文发布，Faraday 处于研究发布阶段，模型权重尚未开源，也未推出面向公众的 API 或产品界面。团队已公开技术论文和 Replica 基准，研究者可参考论文了解技术细节，但无法直接调用模型。建议关注 Inherent 实验室官网获取后续开源动态。

Q：Faraday 的跨领域泛化能力如何？
A：Faraday 在 ML 论文上训练，在 AI-for-Science 论文上测试仍保持 60% 以上任务胜率。这表明其习得的并非特定领域的复现技巧，而是可迁移的科学推理能力，能够适应材料科学、气象预测、生物信息学等不同学科的实验设计与验证逻辑。

9. 项目地址

• 项目官网： https://inherentlabs.ai/research/training-to-replicate
• arXiv 技术论文： https://arxiv.org/pdf/2608.13331