Inherent представила Faraday — AI-вчений з 27Б параметрів, що розширює можливості кодових агентів
Inherent представила Faraday — модель AI-вченого з 27Б параметрів, що покращує можливості кодових агентів науковою інтуїцією. Вона перевершує Claude Opus 4.8 та GPT-5.5 у завданнях реплікації наукових статей, що сигналізує про новий рівень автономії AI в дослідженнях.
🔬 Дослідницький прототип. Для компаній з доступом до GPU-кластерами та дослідницькими командами, які хочуть автоматизувати реплікацію наукових досліджень.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Розмір моделі: 27B параметрів
- •Дата анонсу: 17 серпня 2026 р.
- •Ліцензія: дані не розкриті
- •Основні користувачі: дослідницькі лабораторії, фармацевтичні компанії, матеріалознавчі центри
- •Обмеження: потребує GPU-кластера, залежить від GPT-5.5 Codex як інструменту
Як це змінить ваш ринок?
Faraday демонструє, що AI може перейти від простого генератора коду до активного учасника наукового процесу. Для фармацевтичних компаній це означає можливість швидше перевіряти гіпотези про взаємодію молекул без дорогостоящих експериментів на кожному етапі. В матеріалознавстві модель може пропонувати нові структури кристалічних решіток, що скорочує цикл відкриття відмісних сполук.
Визначення: AI-вчений — штучний інтелект, що не лише виконує завдання, а саме формує та оцінює нові наукові ідеї, аналогічно до людського вченого.
Для кого це і за яких умов
- •Мінімальне обладнання: GPU з 24 ГБ пам’яті (наприклад, RTX 4090) або доступ до хмарного кластера з подібними ресурсами.
- •Бюджет: Якщо використовувати хмарні GPU — приблизно $0,50–$0,70 за годину роботи; для постійного використання потрібен видаток від $300/міс.
- •Команда: Потрібен хоча б один ML-інженер для налаштування середовища та один фаховець у предметній області (біологія, хімія тощо) для формулювання завдань реплікації.
- •Мінімальний масштаб: Актуально для команд від 5 осіб, які регулярно проводять дослідження з великими об’ємами даних.
- •Час на впровадження: 1–2 дні на інтеграцію API та тестування на простому завданні реплікації фігури.
Альтернативи
| Продукт 1 | Продукт 2 | Продукт 3 | |
|---|---|---|---|
| Ціна | дані не розкриті | дані не розкриті | безкоштовно (власна інфраструктура) |
| Де працює | API (хмарний) | API (хмарний) | Локально / хмарна інфраструктура |
| Мін. вимоги | GPU 24 GB+ для inference | GPU 24 GB+ для inference | GPU 24 GB+ або CPU з великою ОЗУ |
| Ключова різниця | Загальний LLM без спеціалізованої навчальній схеми для науки | Загальний LLM з фокусом на код | Відкрита модель, потребує самостійного fine-tuning для наукових завдань |
💬 Часті запитання
🔒 Підтекст (Insider)
За позаду стоїть спроба зменшити залежність від людської інтуїції в наукових дослідженнях, використовуючи великі моделі як інструменти. Це сигнал про напрямок «AI-вченого», де модель сама оцінює цінність нових ідей без зовнішніх нагород. Такий підхід може скоротити час на формування гіпотез у біології, матеріалознавстві та мета-обчисленні.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live