Faraday Inherent est un agent IA de 27 milliards de paramètres qui surpasse Claude Opus 4.8 d’Anthropic et GPT-5.5 d’OpenAI sur la tâche de réplication de papiers scientifiques, selon les résultats publiés le 22 août 2026 par le lab londonien fondé par d’anciens de DeepMind.
L’agent, baptisé Faraday en référence au scientifique Michael Faraday, a été évalué sur le benchmark Replica : 310 tâches tirées de 100 papiers en NLP, science des matériaux et prévision météo. Il produit des réplications plus fidèles sans avoir accès à la réponse à l’avance.
Un petit modèle face aux frontières
Faraday repose sur Qwen 3.6 (27B paramètres). Face à des systèmes bien plus larges, il obtient un taux de succès supérieur grâce à un entraînement par renforcement à long horizon. L’objectif dépasse la simple exactitude : le lab vise à inculquer un « goût de la recherche », c’est-à-dire la capacité à choisir et concevoir des expériences pertinentes.
Pour le codage, Faraday s’appuie sur GPT-5.5 Codex d’OpenAI plutôt que de développer son propre outil, à l’image d’un chercheur humain qui réutilise des logiciels existants.
Le benchmark Replica
Replica demande à l’agent de reproduire une figure d’un papier sous contraintes de temps et de calcul, sans le graphique original. Les agents frontières (Claude Opus 4.8 dans Claude Code, GPT-5.5 dans Codex, effort maximal) ne saturent pas l’espace de tâches. Faraday se montre plus robuste sur les papiers récents et dans des domaines comme le meta-learning ou la biologie structurale.
Les résultats détaillés et le papier sont disponibles sur le site d’Inherent : Training AI Scientists to Replicate Research.
Ambition d’un scientifique IA
Inherent, sorti de stealth avec une seed de 50 millions de dollars (Index Ventures, Radical Ventures), compte une dizaine de personnes à King’s Cross et vise 20-25 d’ici fin d’année. Le cofondateur Edward Hughes, ancien DeepMind, souligne que la réplication est un exercice classique pour les doctorants et un premier pas vers des agents capables de découvrir de nouvelles connaissances.
La stratégie évite les assistants généralistes pour se concentrer sur le goût scientifique et la collaboration : l’agent revient avec des résultats d’expériences qu’il a choisi de mener.
Source principale : TechCrunch et le blog Inherent.
