Маленька ШІ-модель перевершила Anthropic та OpenAI у наукових експериментах
Стартап Inherent, заснований колисними співробітниками Google DeepMind, представив ИІ-агента Faraday, який виявився кращим за Claude Opus 4.8 та GPT-5.5 у задачі відтворення наукових досліджень. Це показує, що компактні моделі з підкріпленням можуть досягати провідних результатів, знижуючи залежність від дорогих frontier-моделей та відкриваючи можливості для локального впровадження ШІ у наукових та бізнес-задачах.
🔬 Компактна модель з підкріпленням дає 80% результату frontier-моделей при зниженні витрат у 10 раз — для команд R&D з обмеженим бюджетом.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Faraday — ИІ-агент на базі Qwen 3.6 (27B параметрів)
- •Випробувань: перевершив Claude Opus 4.8 та GPT-5.5 у відтворенні наукових результатів
- •Навчання: reinforcement learning для формування «исследовательского вкусу»
- •Кодогенерація: використовує GPT-5.5 Codex
- •Ліцензія/доступ: дані не розкриті (поки що дослідовий прототип)
Як це змінить ваш ринок?
Для фармацевтичних компаній головним блokerом є високі витрати на frontier-моделі для аналізу клінічних даних та досліджень. Використання компактиної моделі з підкріпленням може зменшити витрати на обчислювальні ресурси у 10 раз, зберігаючи достатню точність для відтворення експериментів. Це робить ШІ доступним для середніх лабораторій без потребі у дорогому хмарному доступі.
Додатково, такий підхід дозволяє швидше прототипувати нові гіпотези, оскільки дослідникам не треба чекати на чергу в хмарних API. Зменшення залежності від одного постачальника також зменшує ризики простотку через збої або зміни тарифів.
Визначення: Реінфорсмент-лернінг — метод навчання, при якому модель отримує награду за успішні дії, а не за правильність кожного кроку, що формує стратегічне прийняття рішень.
Для кого це і за яких умов
27B-модель потребує GPU з 24GB пам’яті або хмарного еквіваленту (~$0.5/год). Потребує одного фахівця з ML/данними для налаштування та моніторингу. Час впровадження — 1-2 дні для тестування на внутрішньому наборі даних. Мінімальний масштаб — команда з 5+ людей, бюджет на хмарні ресурси від $150/міс.
Альтернативи
| Продукт | Ціна | Де працює | Мін. вимоги | Ключова різниця |
|---|---|---|---|---|
| GPT-5.5 API | $0.02/1K токенів | Хмарний API | Інтернет-з’єднання | Проприєтарна, постійно оновлюється, виклик за токеном |
| Claude Opus 4.8 API | $0.015/1K токенів | Хмарний API | Інтернет-з’єднання | Менше витрат, але теж залежний від зовнішнього постачальника |
| Qwen 3.6 27B (самодостатньо) | Безкоштовно (власна інфраструктура) | Локально/хмарна VM | GPU 24GB+, навички адміністрування | Повна контроль над даними, без виплат за токени, вимагає власних ресурсів |
| Локальна 7B-модель (наприклад, Llama 3) | Безкоштовно (власна інфраструктура) | Локально/хмарна VM | GPU 12GB+, базові навички ML | Менше ресурсів, але нижча точність у складних задачах |
💬 Часті запитання
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