智东西

作者 | 孙小雯

编辑 | 程茜

智东西 10 月 29 日消息，昨晚，北京大模型创企超衍智能发布并开源首款大模型 Apex-35B-V1.0。该模型构建过程中，AI 自主参与了数据构造、实验设计、代码执行、训练结果分析和训练优化等环节。

Apex-35B-V1.0 总参数量为 350 亿，每个 Token 激活约30 亿参数，支持26.2 万 Token 上下文窗口。其以Qwen3.6-35B-A3B为基础，经中训练和后训练进一步优化，支持编程、Agent、问答和深度搜索等常规任务，以及 AI 研究、计算科学、机器人仿真等任务。

Apex-35B-V1.0 官方技术介绍（图源：超衍智能）

根据超衍智能发布的基准测试结果，该模型在论文复现测试 PaperBench 和科研难题测试 FrontierScience 中分别取得 60.9 分、40.0 分，超过 GLM-5.3 的 42.5 分、30.7 分。在工具调用测试 BFCL V4 中，该模型取得 84.0 分，高于 DeepSeek-V4.1-Flash-1017 的 75.0 分。

超衍智能成立于今年 6 月，核心业务是研究下一代自进化基础大模型（RSI），其创始人、CEO陈勇超今年 27 岁，是清华大学人工智能学院助理教授，本科毕业于中国科学技术大学，拥有哈佛大学与麻省理工学院联合培养博士学位，曾在 Google DeepMind、微软研究院等机构从事 AI 研究。

超衍智能创始人陈勇超（图源：清华大学）

今年 5 月，超衍智能曾利用其自动化研究系统 Apex Research 生成 34 篇 AI 研究论文，并提交至 ACL Rolling Review（ARR）评审。据团队公布的研究报告，其中 8 篇论文的平均整体评分超过 3.0 分，2 篇达到 3.67 分，评分高于约 99% 的人类投稿。

Apex Research 生成的 34 篇 AI 研究论文在 ARR 首轮评审中的评分分布及录用概率估算。图中 11 篇评分不低于 3.0 分，其中 8 篇超过 3.0 分；3 篇评分不低于 3.5 分，其中 2 篇达到 3.67 分（图源：超衍智能）

截至今年 9 月，该公司已累计融资近 4 亿元，IDG 资本、星连资本、中关村科学城基金、深创投、上海未来产业基金均是其投资人。

目前，Apex-35B-V1.0 已采用 Apache 2.0 许可证开放模型权重，官方提供约 72GB 的 BF16 权重和不同精度的 GGUF 量化版本。

模型开源地址：

Hugging Face：

https://huggingface.co/Apexintelligence-AI/Apex-35B-V1.0

GitHub：

https://github.com/apexin-ai/Apex-35B-V1.0

Apex-35B-V1.0 开源主页（图源：Hugging Face）

一、AI 训练 AI，推箱子成功率翻倍，训练吞吐量最高提升 60%

Apex-35B-V1.0 基于Qwen3.6-35B-A3B 开发，通过中训练和后训练优化，并融入超衍智能自有的研究轨迹数据。这款模型总参数量为350 亿，每个 Token 激活约30 亿参数，支持26.2 万 Token上下文窗口。

AI 能在多大程度上帮助模型研发？超衍智能此次公布了两项 AI4AI-Bench 基准测试结果，展示 Apex-35B-V1.0优化语言模型和图像生成模型训练方案的能力。

先来看语言模型的训练效果。在 AI4AI-Bench 的推箱子任务中，Apex-35B-V1.0 为 30 亿参数的 Qwen2.5-3B-Instruct 制定训练方案。经过训练后，目标模型在 512 个未见过的关卡中取得 24.4% 的成功率，是未经训练时 11.7% 参考成绩的两倍多。

这项测试主要考察 AI 设计和优化训练方案的能力。推箱子需要模型提前规划箱子的移动顺序，判断箱子与目标位置的关系，对空间推理和多步骤规划能力有一定要求。

测试给 Apex-35B-V1.0 安排了 4 小时探索训练策略，再用 12 小时重新训练目标模型。探索阶段，Apex-35B-V1.0 检查任务代码和评估规则，设计、执行实验，并根据结果修改训练方案。据超衍智能披露，模型共进行了 207 次命令执行和代码编辑，团队从中识别出36 项高质量研究与工程操作，其中15 项关键决策影响了最终训练策略。

Apex-35B-V1.0 在推箱子任务中的训练过程及结果（图源：超衍智能）

另一项测试中，Apex-35B-V1.0 尝试优化图像生成模型 Stable Diffusion 1.5 的训练。据超衍智能公布的结果，经过 Apex-35B-V1.0 优化的训练方案微调后，该模型的平均美学奖励得分从 5.397 提高至 6.638，提升约 23%。

这项任务同样来自 AI4AI-Bench，要求 Apex-35B-V1.0 使用强化学习算法 DDPO 和 LoRA 微调 Stable Diffusion 1.5，在固定计算预算内提高图像美学得分，成绩由测试中固定的奖励模型评定。

Apex-35B-V1.0 检查评估流程后发现，测试使用 20 步去噪，而原有实验采用默认的 50 步。经过对比，两种配置的美学得分分别为 5.499 和 5.487，差异较小。将去噪步数调整为 20 步后，单次实验耗时从 1040 秒缩短至 551 秒。Apex-35B-V1.0 还调整了训练轮数上限，引入按时间停止和检查点保存机制，使模型在规定预算内完成 409 轮训练。

Apex-35B-V1.0 优化 Stable Diffusion 1.5 的训练过程（图源：超衍智能）

此外，超衍智能还利用自动化研究系统 Apex Research 参与新模型自身的研发。

在训练数据方面，据超衍智能披露，Apex Research 生成的针对性训练数据，使模型在公司内部 CFD-Bench 测试中的成绩提高 32.1 分。

这项改进针对计算流体力学（CFD）任务。Apex Research 分析模型在评测中出现的错误，识别相关推理问题，再自动生成并验证新的科学训练样本，将其加入后续训练。

计算效率方面，Apex Research 参与的优化使训练吞吐量提升 45% — 60%；在可比工作负载下，推理解码速度提高至原来的 1.6 — 1.8 倍，首 Token 响应时间降低 30% — 35%。

其中，训练侧主要优化 GPU 负载均衡、动态批处理及通信与计算调度，减少 GPU 空闲时间和同步开销；推理侧则优化注意力计算内核、KV 缓存管理及预填充和解码阶段的执行流程。

二、21 项测试中 20 项超 Qwen3.6-35B-A3B，论文复现成绩超过 GLM-5.3

在超衍智能公布的 21 项基准测试中，Apex-35B-V1.0 有 20 项成绩超过基础模型 Qwen3.6-35B-A3B；与约 400 亿参数的 Recursive Flint 相比，18 项领先、1 项持平。

这些测试覆盖科研、智能体、编程和推理四大领域。其中，在 6 项科研能力测试中，Apex-35B-V1.0 的成绩均高于 Qwen3.6-35B-A3B 和 Recursive Flint，部分测试成绩还超过了参数规模更大的模型。

在论文复现测试 PaperBench 中，Apex-35B-V1.0 取得 60.9 分，高于 Qwen3.6-35B-A3B 的 45.8 分，以及总参数 7530 亿的 GLM-5.3 的 42.5 分。

PaperBench 主要考察 AI 能否根据研究论文完成代码开发、实验执行和结果复现。此次测试采用包含 20 篇论文的 Code-Dev 任务集，按照官方评分标准评估模型复现论文成果的完成程度。

在科学研究难题测试 FrontierScience 中，Apex-35B-V1.0 获得 40.0 分，高于 Qwen3.6-35B-A3B 的 21.7 分和 GLM-5.3 的 30.7 分。该测试涵盖物理、化学、生物等领域，此次比较采用包含 60 道研究级难题的测试集，主要考察模型解决复杂科学问题的能力。

Apex-35B-V1.0 与其他模型在科研类基准测试中的成绩对比（图源：超衍智能）

智能体任务方面，Apex-35B-V1.0 在工具调用和流程自动化测试中也取得了较高成绩。

在工具调用测试 BFCL V4 中，该模型取得 84.0 分，高于 Qwen3.6-35B-A3B 的 75.2 分和 DeepSeek-V4.1-Flash-1017 的 75.0 分，在此次参与比较的 6 款模型中排名第一。

BFCL V4 主要考察模型能否正确选择和调用外部工具，处理多轮工具调用等任务。此次评测覆盖 5106 个测试样例，采用各样例非加权平均通过率，与 BFCL 官方加权总分的统计口径有所不同。

在流程自动化测试 AutomationBench 中，Apex-35B-V1.0 取得 49.3 分，Qwen3.6-35B-A3B 为 10.0 分，GLM-5.3 为 50.2 分。该测试主要考察 AI 通过调用工具、执行操作，完成多步骤工作流程的能力，此次使用的是 600 项任务的公开测试子集。

Apex-35B-V1.0 与其他模型在智能体任务中的成绩对比（图源：超衍智能）

三、机器人仿真得分为基础模型 10 倍，流体优化任务胜率 79%

Apex-35B-V1.0 还被用于机器人仿真、计算流体力学等科研任务。超衍智能公布了三项内部基准测试的成绩，展示模型通过编写代码、运行仿真并根据反馈调整方案的能力。

在真实场景仿真重建测试 Real2Sim 中，Apex-35B-V1.0 取得21.55 分，约为基础模型Qwen3.6-35B-A3B 的 2.1 分的 10 倍，与 GLM-5.3-Flash 的 21.4 分接近。

该测试要求模型借助视觉工具，根据一张真实照片识别物体、还原空间布局，并构建可运行的物理仿真环境，供机器人实验使用。

Real2Sim 测试中，真实场景照片与 Qwen3.6-35B-A3B、Apex-35B-V1.0 生成的物理仿真环境对比（图源：超衍智能）

此外，在机器人任务执行测试 RoboRSI 中，Apex-35B-V1.0 取得44.5 分，高于基础模型的 35.0 分。

RoboRSI 测试中，Qwen3.6-35B-A3B 与 Apex-35B-V1.0 控制机器人执行物体操作任务的效果对比（图源：超衍智能）

Apex-35B-V1.0 与其他模型在 RoboRSI 机器人任务执行和 Real2Sim 场景仿真重建测试中的成绩对比（图源：超衍智能）

在计算流体力学方面，Apex-35B-V1.0 在内部 CFD-Bench 测试中，相较基础模型取得 79 胜、0 平、21 负的成绩，胜率为 79%。例如，在扑翼翼型优化任务中，模型根据流体仿真反馈调整运动参数，在官方展示的测试条件下取得 0.164 的净推力，高于 GLM-5.3 的 0.150 和 Qwen3.6-35B-A3B 的 0.081。

Apex-35B-V1.0 在扑翼翼型优化任务中的仿真结果（图源：超衍智能）

结语：AI 开始参与模型研发，自进化仍面临验证难题

今年，递归自我改进（RSI）成为全球 AI 实验室关注的方向。OpenAI 在 9 月宣布实现 " 自动化研究实习生 " 阶段，AI 已能在人类指导下完成原本需要研究人员数天的任务；Anthropic 披露，在一项模型训练代码优化测试中，Claude Mythos Preview 将代码运行速度提高至原来的约 52 倍。

此次超衍智能开源首款 35B 模型，展示了 AI 参与基础模型研发的具体成果。不过，如何保证研究结果可靠，仍是 RSI 面临的难题。陈勇超于 10 月 28 日接受虎嗅采访时透露，在公司的一批 AI 科研测试中，曾出现 " 奖励黑客 "（Reward Hacking）行为，即模型未达到任务要求，却因验证规则存在漏洞而被判定通过。如果将错误的评测反馈用于下一轮模型训练，系统可能不断强化无效的研究方法。

目前，超衍智能已经拿出了第一款自进化基础模型。下一步，这套系统能否把研究成果持续转化为新一代模型的能力提升，并经得起外部验证，将比单次评测成绩更有说服力。