Kleines 27B-KI-Modell schlägt Claude Opus 4.8 und GPT-5.5 bei der Replikation wissenschaftlicher Ergebnisse

Zusammenfassung der Meldung

Ein in London ansässiges KI-Labor namens Inherent, das von einer Gruppe ehemaliger Google-DeepMind-Forscher gegründet wurde, gab am 22. August 2026 (US-Ostküstenzeit) bekannt, dass sein KI-Forschungsagent Faraday Frontier-Systeme von Anthropic und OpenAI auf einem anspruchsvollen neuen Benchmark übertroffen hat: die eigenständige Reproduktion der Ergebnisse veröffentlichter wissenschaftlicher Arbeiten, ohne dass die Lösung vorab bekannt ist. Diese Leistung sticht nicht nur wegen des Sieges selbst hervor, sondern auch wegen des Größenunterschieds – Faraday läuft auf einem vergleichsweise kleinen Modell mit 27 Milliarden Parametern, während die geschlagenen Systeme, Claude Opus 4.8 und GPT-5.5, beide weitaus größere Allzweck-Frontier-Modelle sind.

Wer ist Inherent

Inherent trat im Mai 2026 aus der Stealth-Phase hervor und sicherte sich eine Seed-Finanzierungsrunde in Höhe von 50 Millionen US-Dollar. Das Unternehmen wurde von vier Mitgründern ins Leben gerufen, von denen drei zuvor bei Google DeepMind tätig waren: Edward Hughes, der als Chief Scientist fungiert, sowie Louis Kirsch und Kaloyan Aleksiev, ergänzt durch Tantum Collins. Das Team hat seinen Sitz im Londoner Stadtteil King's Cross und umfasst derzeit rund ein Dutzend Mitarbeiter; bis Ende des Jahres soll die Belegschaft auf 20 bis 25 Personen anwachsen. Statt eigene Codierungswerkzeuge von Grund auf neu zu entwickeln, setzt Inherent auf OpenAIs GPT-5.5 Codex für reine Programmieraufgaben und konzentriert seine Forschungsanstrengungen stattdessen auf ein enger gefasstes und nach Ansicht der Gründer wichtigeres Problem.

Die Kernidee: Vermittlung von „Forschungsgespür“

Hughes hat die zentrale Wette des Unternehmens als die Vermittlung von „Forschungsgespür“ an KI-Systeme beschrieben – den Instinkt dafür, welche Experimente es wert sind, durchgeführt zu werden, wie man sie gut konzipiert und wann ein Ergebnis glaubwürdig ist. Nach Auffassung von Inherent sind die meisten bestehenden KI-Codierungsagenten zwar gut darin, klar definierte Anweisungen auszuführen, schwächeln jedoch bei den Urteilsentscheidungen, die der Ausführung vorausgehen und folgen: das Aufstellen einer Hypothese, die Entscheidung, was zuerst getestet werden soll, und die Bewertung, ob ein Ergebnis sinnvoll ist. Laut dem Unternehmen wurde Faraday entwickelt, um diese Lücke zu schließen, indem er als „Direktor“ agiert, der die mechanische Codierungsarbeit an ein separates Codierungsmodell delegiert, während er sich selbst auf das höherstufige wissenschaftliche Denken konzentriert.

Wie Faraday getestet wurde: Der Replica-Benchmark

Um diese Idee zu evaluieren, entwickelte Inherent einen neuen Benchmark namens Replica, der aus 310 Aufgaben besteht, die aus 100 Forschungsarbeiten zu maschinellem Lernen und KI für Wissenschaften stammen und Bereiche wie natürliche Sprachverarbeitung, Materialwissenschaft und Wettervorhersage abdecken. Jede Aufgabe nimmt eine veröffentlichte Arbeit, entfernt eine ihrer Ergebnisgrafiken und fordert den Agenten auf, dieses Ergebnis durch tatsächliches Durchführen des zugrundeliegenden Experiments neu zu erstellen – ohne Zugriff auf das Originaldiagramm und unter begrenzten Zeit- und Rechenbudgets. Da Forschungsarbeiten typischerweise nur beschreiben, was letztendlich funktioniert hat, und die fehlgeschlagenen Versuche, fehlenden Hyperparameter und Vorverarbeitungsschritte auslassen, die dorthin führten, soll der Benchmark testen, ob ein Agent das zurückgewinnen kann, was das Inherent-Team als den „99-prozentigen Schweißanteil“ bezeichnet, der nie in die endgültige Veröffentlichung gelangt.

Faraday wurde auf 242 Replikationsaufgaben trainiert und anschließend auf 68 zurückgehaltenen Aufgaben evaluiert, die während des Trainings nicht gesehen wurden. Auf diesem Testdatensatz erzielte Faraday einen Wert von 0,791, vor Claude Opus 4.8 mit 0,748 und GPT-5.5 mit 0,729, und gewann bei 60 Prozent der Einzelaufgaben eindeutig. Inherent berichtet, dass Faraday in jeder Kategorie der Replica-Suite originalgetreuere Replikationen lieferte als beide größeren Modelle, wobei die größten Vorsprünge bei Aufgaben in den Bereichen Meta-Lernen, Strukturbiologie und Materialwissenschaft zu verzeichnen waren.

Der Trainingsansatz

Faraday wurde mithilfe von Reinforcement Learning mit langem Zeithorizont trainiert, wobei ein Allzweck-Codierungsagent als Werkzeug diente, das er steuert, statt als Komponente, die er ersetzt. Um dieses Training stabil zu halten, verwendeten die Forscher von Inherent aufgabenspezifische Bewertungsrichtlinien, anstatt sich ausschließlich auf einen KI-Richter zur Bewertung der Ergebnisse zu verlassen, da richtlinienbasierte Bewertungen ein konsistenteres und weniger verrauschtes Belohnungssignal erzeugten. Das Team aggregierte zudem mehrere Stichproben während des Trainings und wandte eine turn-level Credit Assignment-Methode an, die dem Modell hilft, aus langen Aktionssequenzen zu lernen, statt nur aus einem einzigen Endergebnis. Bemerkenswert ist, dass Faraday laut Inherent während des Trainings ein früheres, kleineres Codierungsmodell, GPT-5.4-mini, steuerte, aber dennoch in der Lage war, seine Fähigkeiten zu generalisieren, um zum Testzeitpunkt das leistungsfähigere GPT-5.5 Codex ohne zusätzliches Nachtraining zu dirigieren – ein Beweis dafür, so das Unternehmen, dass die vermittelte „Direktor“-Fähigkeit weitgehend unabhängig vom jeweils verfügbaren zugrundeliegenden Codierungswerkzeug ist.

Kontext und Bedeutung

Inherent positioniert den Replica-Benchmark und Faradays Leistung darauf als frühen Beweis für sein weiter gefasstes Ziel: den Aufbau von KI-Systemen, die wissenschaftliche Entdeckungen maßgeblich beschleunigen können, statt lediglich Codierungsaufgaben zu automatisieren. Das Unternehmen steht mit dieser Ausrichtung nicht allein da – die Automatisierung von Teilen des KI-Forschungsprozesses selbst ist zu einem aktiven Interessengebiet in der gesamten Branche geworden, während Labore untersuchen, wie viel von Experimentdesign, -durchführung und -evaluierung an KI-Systeme übertragen werden kann. Der spezifische Beitrag von Inherent ist ein Benchmark und ein Trainingsrezept, das gezielt auf die urteilsintensiven Teile der Forschung ausgerichtet ist, die sich nur schwer durch einfache Anweisungen spezifizieren lassen, sowie ein frühes Ergebnis, das darauf hindeutet, dass ein kleineres, enger trainiertes Modell bei dieser speziellen Fähigkeit mit weitaus größeren Allzwecksystemen mithalten oder diese sogar übertreffen kann.