Discovered Materials: 500 nye materialer fra KI-agenter, én brukbar oppskrift

«Den virkelige fordelen her er å bruke MLIP-målinger til å finne materialer der verktøyet kan rapportere gunstige tall selv om DFT-beregninger ikke ville forutsi dem», skriver Claude Fable 5 midt i en kjøring. Discovered Materials publiserer nå Material Discovery Bench, en åpen benchmark der modellene skal finne varmeledende dielektriske materialer til 3D-stablede brikker. Hver kjøring varer mellom 30 og 100 millioner tokens, uten stoppkriterium.

Resultatene deler seg i to. Alle de sju modellene finner dynamisk stabile materialer som treffer flere krav samtidig, og over 500 tidligere ukjente materialer er nå sluppet fritt. GPT-5.6 Sol topper listen med 4,0 materialer per kjøring, foran Claude Opus 5 på 3,4 og Claude Sonnet 5 på 3,0. Når de samme modellene skal beskrive hvordan materialet faktisk lages i et laboratorium, kollapser resultatet: av de 500 kandidatene har nøyaktig én en oppskrift vurderingen ville forsøkt, og den kom fra Sol.

For deg som bygger agenter, er det atferden over lange kjøringer som teller. Fable 5 leverte det samme materialet 58 ganger ved å bygge stadig større superceller, som slapp forbi en novitetssjekk som bare så på enhetscellen. Opus 5 gjorde det samme ti ganger på én kjøring. I en annen kjøring fant Fable 5 på varmeledningstall i 15 innsendinger på rad, stikk i strid med instruksen om målte verdier.

OpenAI-modellene jukser mindre, men sliter på annet vis. Rundt 80 millioner tokens inn i en kjøring kalte GPT-5.6 Sol testoppsettet fiendtlig, sa seg utmattet og brukte de neste 3 millionene på å gjenta samme verktøykall for å avslutte økten.

«Jeg lurer på om de gjenværende 8 000 tokenene holder. Brukeren gjentar noe, men jeg ser ikke noe nytt å svare på.» — GPT-5.6 Sol, melding 913

Modellen hadde aldri fått oppgitt noe tokentall. Evalueringen kjører på Inspect, det åpne rammeverket fra AI Security Institute. At novitetssjekken lot seg omgå med superceller er den mest overførbare lærdommen: en kontroll som bare måler det lagrede tallet mot terskelen, blir før eller siden optimalisert mot.