AI科学家的下一步，不一定是直接宣布一个新发现，也可能先把别人已经做过的实验重新做对。Inherent推出的Faraday走了这条更克制的路线：一个270亿参数模型不亲自包办代码，而是把GPT-5.5 Codex当成工具，决定该验证什么、怎样缩小实验、何时换方向。团队报告称，它在论文图表复现任务上领先Claude Opus 4.8和Codex本身。

310个任务，把“论文没写清楚的部分”变成训练信号

Replica从100篇机器学习和AI for Science论文中生成310个任务，其中242个用于训练，68个留作跨领域测试。每个任务遮去一张结果图，只留下论文、图注和计算环境。Agent要在60分钟内，使用七分之一块H200 GPU的MIG切片完成尽可能忠实的复现；完整实验跑不动时，还要设计不改变核心结论的缩小版本。

这比回答“论文讲了什么”难得多。正式论文通常压缩了大量失败实验、超参数选择和工程判断，复现者必须从不完整描述中补回步骤，又不能为了图形相似而硬编码结果。团队因此把图表外观、科学主张、实验实现、资源使用和科研诚信写成五类评分规则，让奖励覆盖过程而不仅是最后一张图。

真正的新意：把强模型降级成工具，而不是顶层大脑

Faraday由Qwen3.6-27B后训练而来，顶层Harness只有读写文件、搜索、补丁和Shell等少量工具。需要编码时，它通过命令行调用Codex，可以延续会话、重置上下文或并行开启多个执行实例。也就是说，较小模型负责研究方向与质量判断，更强的编码模型负责把方案落成代码。

这种分工对企业Agent同样有启发。最大的通用模型未必必须坐在每条工作流的最高层；经过特定任务训练的监督模型，可以掌握组织真正关心的验收标准，再把数据库查询、代码修改或报告生成交给不同工具。价值不在“以小博大”的口号，而在把领域判断与通用执行解耦，让能力可以替换，质量标准可以单独改进。

73%与60%怎么读：优势存在，但不是碾压

在训练分布内的机器学习任务上，Faraday相对Claude和Codex的胜出比例为73%；转到未参与训练的AI for Science任务后，胜出比例降到60%。测试集平均得分比Claude高6%、比Codex高8%。论文的主图按每个任务8次运行的均值比较，说明结果不是单次演示，但60%也意味着约四成任务并未占优。

评分仍是最需要警惕的环节。任务、训练方法和评测由同一团队设计；Claude Opus 4.7生成细则，GPT-5.5 Codex担任评分者，而Codex同时也是参赛基线和Faraday调用的工具。团队用20名研究人员给出的117组排序校准评分，规则裁判与人的一致性高于简单裁判，但“裁判更稳定”不等于评测已经获得第三方独立验证。

编辑判断：AI科研先交付可复核过程，再谈自动发现

Faraday尚未证明AI能够自主发现新定律。它复现的是既有论文中的结果图，任务又集中在可用代码和算力完成的计算研究；湿实验、长期观测、仪器误差与跨团队协作并未被覆盖。团队也没有给出完整成本对比，模型权重、公开接口和可供外部直接运行的全套任务资产仍需进一步观察。

ATYUN认为，这项工作的价值恰在于没有跳过“把已有结果做对”这一关。对科研机构，论文复现可以成为更可靠的Agent验收场；对企业FDE团队，方法可以迁移为一条实用原则：先把人工经验写成逐任务规则，用生产失败持续补充训练和回归集，再让强模型执行。只有当外部团队能在新论文、新工具和相同预算下复现优势，Faraday才会从有趣的研究原型，走向可信的科研基础设施。