Liten brittisk AI-agent hävdar sig slå techgiganterna – tack vare smartare träning, inte större resurser

Davids slunga mot Goliat

I en bransch där framgång länge mätts i miljarder parametrar och ännu större träningsbudgetar väljer det brittiska bolaget Inherent en annan kurs. Bara veckor efter att ha presenterat sig för världen med en startfinansiering på 50 miljoner dollar lanserar de nu sin AI-agent Faraday – och gör ett påstående som omedelbart väcker uppmärksamhet: agenten överträffar både OpenAI:s GPT-5.5 och Anthropics Claude Opus 4.8 på ett centralt område.

Enligt TechCrunch handlar uppgiften om att självständigt återskapa resultaten från publicerade vetenskapliga artiklar – utan att i förväg känna till svaren. Det är en gedigen måttstock. Inte ett konstruerat riktmärke designat för att smickra den egna produkten, utan en övning som doktorander världen över genomför som en del av sin grundläggande utbildning. Medgrundaren och chefsforskaren Edward Hughes, med bakgrund från DeepMind, beskriver det som att träna fram en äkta forskarinstinkt hos systemet.

Inte störst – utan smartast

Faraday bygger på en modell vid namn Qwen 3.6, med 27 miljarder parametrar. Det är tekniskt sett en blygsam storlek jämfört med de massiva system som OpenAI och Anthropic har byggt upp. Parametrar är ett grovt men etablerat mått på en modells storlek och den beräkningskraft som krävs för att träna den – och i det avseendet är Faraday ett litet system med stora ambitioner.

Hemlighetsmakedriet bakom prestationen verkar vara valet av träningsmetod. Inherent förlitar sig på förstärkt inlärning – ett tillvägagångssätt där systemet belönas för faktiska resultat snarare än att imitera mänskliga svar. I stället för att lära sig hur forskning borde gå till i teorin, lär sig Faraday vad som faktiskt fungerar i praktiken. Det är en elegant distinktion, och en som speglar en bredare rörelse i branschen.

Ett mönster vi sett förut – och ett som förstärks

Det vore fel att läsa detta som ett isolerat fenomen. Sedan lanseringen av mindre, öppna modeller som Mistral och Meta:s Llama-serie har det blivit allt tydligare att rå storlek inte är den enda vägen till hög prestanda. Specialisering, datakvalitet och smarta träningsmetoder kan i rätt sammanhang mer än kompensera för att man inte har hundratals miljarder parametrar till sitt förfogande.

Inherents satsning på forskardomänen är ett läroboksexempel på denna filosofi. I stället för att bygga ett generellt system som ska klara allt från att skriva poesi till att koda webbapplikationer, skär de bort allt som inte är relevant och optimerar hårt för ett specifikt och värdefullt användningsfall. Det är en affärsmässigt klok strategi – och potentiellt en tekniskt överlägsen en.

Trovärdighet under luppen

Men hur trovärdigt är egentligen påståendet? Det är den rättvisa frågan att ställa. Självrapporterade riktmärken från ett bolag som precis lämnat sin hemliga fas bör granskas med välmotiverad skepsis. Det saknas ännu oberoende verifiering, och det är värt att notera att valet av riktmärke – återgivning av vetenskapliga resultat – är precis det område som Inherent har specialiserat sig på. Att vinna på hemmaplan är lättare.

Samtidigt vore det förhastat att avfärda påståendet. DeepMind-bakgrunden hos grundarna ger metodologisk trovärdighet. Uppgiftens utformning – återskapa verkliga forskningsresultat – är genuint krävande. Och den underliggande trenden, att specialiserade mindre modeller kan slå generalister på avgränsade uppgifter, är väldokumenterad.

Vad Inherent behöver nu är extern granskning. Om Faraday håller vad den lovar under oberoende testförhållanden, är det inte bara en produktlansering – det är ett argument för ett annat sätt att bygga AI.