甘肃
10月28日，超衍智能（Apex Intelligence）发布首个模型Apex-35B-V1.0。
该模型以 Qwen3.6-35B-A3B 为基础，经过中训练和后训练进一步优化，并在开发过程中融入了大量自有数据集和研究轨迹。在参与评测的同量级模型中，Apex-35B-V1.0 的研发能力处于领先水平，同时保持了出色的通用能力；在部分基准测试中，其表现也可与更大尺寸规模的模型竞争。
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。在实际应用中，Apex-35B-V1.0 既能完成 Coding、Agent、问答和深度搜索等常规任务，也能完成计算闭环的研究任务，如AI研究、计算科学、机器人仿真等，是一款兼具通用能力与研究能力的模型。
Apex-35B-V1.0 既是递归自我改进的成果，也将成为继续推动 AI 与科学研究的工具。
01
研究能力突出，通用能力同样出色
在 21 项基准测试中，Apex-35B-V1.0 相比同量级的 Qwen3.6-35B-A3B 取得 20 项领先；相比 Recursive Flint（40B）取得 18 项领先、1 项持平。除了研究任务表现突出，它在智能体任务、编程和推理方面也展现出广泛的竞争力，并在部分基准测试中超过更大规模的模型。
02
通过递归自我改进构建
超衍智能的自进化AI研究系统 Apex Research能够持续识别模型弱点、提出假设、开展实验，并将研究发现转化为可衡量的模型改进。
从自进化训练数据和自动化实验，到训练方案、GPU 内核及推理优化，Apex Research 参与了 Apex-35B-V1.0 的整个开发过程。
自进化数据。 Apex Research 识别模型弱点，并自动生成有针对性的训练数据。例如，当评测发现模型在计算流体力学（CFD）任务中出现失误时，系统分析了背后的推理缺口，合成并验证新的科学训练样例，再将其纳入后续训练。这套自进化数据流程使模型在内部 CFD-Bench 上的成绩提高了 32.1 分。
自动化实验。 Apex Research 分析评测结果和智能体运行轨迹，发现系统性的失败模式，并优化训练策略。例如，它发现过长的推理上下文和失衡的数据配比会降低智能体表现。随后，系统探索了不同的序列长度分布、长短轨迹采样比例，以及考虑 token 数量的批次组成，找到更有效的训练配置，提高了智能体的可靠性和训练效率。
训练与推理基础设施。 Apex Research 将自动化优化扩展到底层计算系统，探索更高效的 GPU 内核、负载均衡、通信策略和执行调度。在训练侧，它优化 GPU 负载均衡、通信与计算重叠、动态批处理，以及考虑 token 数量的工作负载分配，以减少同步开销、缩短 GPU 空闲时间、提高硬件利用率，使训练吞吐量提升 45%–60%。在推理侧，它优化注意力内核、KV 缓存管理，以及预填充和解码阶段的执行方式；在可比工作负载下，实现解码速度提升至 1.6–1.8 倍，首 token 响应时间降低 30%–35%。
这些改进贯穿数据、训练和基础设施，并逐步累积为一个持续反馈的研究循环：每一轮研究的成果，都为下一轮改进提供基础。
03
迈向下一代自进化基础大模型
超衍智能由清华大学人工智能学院助理教授陈勇超创立，目标是构建下一代自进化基础大模型。这里的“自进化”指递归自我改进（Recursive Self-Improvement，RSI）：让 AI 参与研究、实验与验证，并将成果用于改进模型自身。我们希望推动 AI 从辅助工具成为共同研究者，从加速已知走向发现未知。我们的长期愿景是让模型具备相当于并逐步超过10 万名覆盖不同学科的顶尖 AI Scientist 的整体科研能力，持续参与科学研究与发现。继 35B 模型之后，超衍智能计划推出更大量级的自进化基础大模型，新模型将继续提升 AI 研发能力，并拓展至芯片、量子计算等科学研究领域。
Apex-35B-V1.0的模型权重已发布；配套代码、部署指南和使用示例可在GitHub查看。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
