超衍智能开源Apex-35B-V1.0：27岁清华教授创办，3个月融资近4亿

10月29日消息，前一晚北京大模型创企超衍智能发布了其首款大模型Apex-35B-V1.0，并宣布开源。从数据构造、实验设计、代码执行，到训练结果分析与训练优化，这一模型的构建环节里都有AI自主参与。

Apex-35B-V1.0总参数量350亿，每个Token激活约30亿参数，上下文窗口支持26.2万Token。它是在Qwen3.6-35B-A3B基础上做中训练和后训练优化而来，能处理编程、Agent、问答、深度搜索等常规任务，也覆盖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）

按超衍智能给出的基准测试结果，该模型在论文复现测试PaperBench中拿到60.9分，在科研难题测试FrontierScience中拿到40.0分，两项均高于GLM-5.3的42.5分和30.7分。工具调用测试BFCL V4中，它取得84.0分，DeepSeek-V4.1-Flash-1017为75.0分。

超衍智能今年6月成立，主攻下一代自进化基础大模型（RSI）。创始人、CEO陈勇超27岁，现为清华大学人工智能学院助理教授，本科就读于中国科学技术大学，在哈佛大学与麻省理工学院联合培养项目中获得博士学位，此前曾在Google DeepMind、微软研究院等机构做AI研究。

超衍智能创始人陈勇超（图源：清华大学）

今年5月，超衍智能用其自动化研究系统Apex Research生成了34篇AI研究论文，送交ACL Rolling Review（ARR）评审。团队公布的研究报告显示，其中8篇论文平均整体评分在3.0分以上，2篇达到3.67分，评分高过约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）

到今年9月，公司累计融资已接近4亿元，投资方包括IDG资本、星连资本、中关村科学城基金、深创投和上海未来产业基金。

眼下Apex-35B-V1.0已按Apache 2.0许可证开放模型权重，官方给出的BF16权重约72GB，另有不同精度的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由Qwen3.6-35B-A3B开发而来，经过中训练与后训练优化，还融入了超衍智能自有的研究轨迹数据。模型总参数量350亿，每个Token激活约30亿参数，上下文窗口为26.2万Token。

AI究竟能在模型研发中帮上多少忙？超衍智能这次公开了两项AI4AI-Bench基准测试结果，用来说明Apex-35B-V1.0在优化语言模型和图像生成模型训练方案上的能力。

先看语言模型的训练效果。AI4AI-Bench的推箱子任务里，Apex-35B-V1.0为30亿参数的Qwen2.5-3B-Instruct制定训练方案。训练之后，目标模型在512个未见过的关卡中成功率达到24.4%，而未训练时的参考成绩是11.7%，前者是后者的两倍多。

这项测试考的是AI设计与优化训练方案的本事。推箱子要求模型提前想好箱子该按什么顺序移动，判断箱子与目标位置的关系，对空间推理和多步骤规划都有一定要求。

测试中，Apex-35B-V1.0先用4小时探索训练策略，再用12小时重新训练目标模型。探索阶段里，它查看任务代码和评估规则，设计并执行实验，再依据结果修改训练方案。超衍智能披露，模型一共执行了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项关键决策左右了最终训练策略。

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）

另一项测试里，Apex-35B-V1.0试着优化图像生成模型Stable Diffusion 1.5的训练。超衍智能公布的结果显示，用Apex-35B-V1.0优化后的训练方案做微调，该模型平均美学奖励得分从5.397升到6.638，涨幅约23%。

这项任务也出自AI4AI-Bench，要求Apex-35B-V1.0借助强化学习算法DDPO和LoRA微调Stable Diffusion 1.5，在固定计算预算内把图像美学得分提上去，成绩由测试中固定的奖励模型评定。

Apex-35B-V1.0在检查评估流程时发现，测试用的是20步去噪，而原有实验用的是默认的50步。对比下来，两种配置的美学得分分别是5.499和5.487，差距不大。把去噪步数改成20步后，单次实验耗时从1040秒降到551秒。它还对训练轮数上限做了调整，加入按时间停止和检查点保存机制，让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）

[[保留1]]

新模型自身的研发里，超衍智能也用上了自动化研究系统Apex Research。按该公司披露，Apex Research生成的针对性训练数据，让模型在内部CFD-Bench测试中多拿了32.1分。

提升落在计算流体力学（CFD）任务上：Apex Research先分析模型在评测中犯的错，找出相关推理问题，再自动生成并验证新的科学训练样本，补进后续训练。效率上，Apex Research参与的优化让训练吞吐量提高45%—60%；可比工作负载下，推理解码速度变为原来的1.6—1.8倍，首Token响应时间少了30%—35%。

训练侧的动作主要是优化GPU负载均衡、动态批处理以及通信与计算调度，把GPU空闲时间和同步开销压下去；推理侧则改注意力计算内核、KV缓存管理，还有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

超衍智能一共公布了21项基准测试，Apex-35B-V1.0在其中20项上压过基础模型Qwen3.6-35B-A3B；对上约400亿参数的Recursive Flint，则是18项领先、1项持平。测试横跨科研、智能体、编程、推理四个领域。6项科研能力测试里，Apex-35B-V1.0的成绩都高于Qwen3.6-35B-A3B和Recursive Flint，有些项目还赢过了参数更大的模型。

论文复现测试PaperBench上，Apex-35B-V1.0拿到60.9分，Qwen3.6-35B-A3B是45.8分，总参数7530亿的GLM-5.3为42.5分。PaperBench看的是AI能不能照着研究论文做代码开发、跑实验、复现结果。这次用的是含20篇论文的Code-Dev任务集，按官方评分标准衡量模型复现论文成果的完成度。

科学研究难题测试FrontierScience中，Apex-35B-V1.0得40.0分，Qwen3.6-35B-A3B为21.7分，GLM-5.3为30.7分。该测试覆盖物理、化学、生物等方向，这次比较用的测试集包含60道研究级难题，考察的是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）

智能体任务这边，Apex-35B-V1.0在工具调用和流程自动化测试上成绩也不低。工具调用测试BFCL V4中它拿到84.0分，Qwen3.6-35B-A3B为75.2分，DeepSeek-V4.1-Flash-1017为75.0分，在参与比较的6款模型里排第一。

BFCL V4考察的是模型能否选对、调对外部工具，以及处理多轮工具调用这类任务。评测覆盖5106个测试样例，算的是各样例非加权平均通过率，跟BFCL官方加权总分的统计口径不一样。

流程自动化测试AutomationBench中，Apex-35B-V1.0得49.3分，Qwen3.6-35B-A3B是10.0分，GLM-5.3为50.2分。这项测试看AI能不能靠调用工具、执行操作把多步骤工作流程走完，这次用的是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%

机器人仿真、计算流体力学等科研任务里也能见到Apex-35B-V1.0。超衍智能公布了三项内部基准测试成绩，展示的是模型写代码、跑仿真、再按反馈调方案的能力。真实场景仿真重建测试Real2Sim中，Apex-35B-V1.0取得21.55分，基础模型Qwen3.6-35B-A3B只有2.1分，前者约为后者的10倍，与GLM-5.3-Flash的21.4分接近。

这项测试要求模型调用视觉工具，从一张真实照片里认出物体、还原空间布局，搭出能跑的物理仿真环境，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）

机器人任务执行测试RoboRSI中，Apex-35B-V1.0拿到44.5分，基础模型为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）

计算流体力学方向上，内部CFD-Bench测试给出的对比结果是：面对基础模型，Apex-35B-V1.0拿下79胜、0平、21负，胜率79%。以扑翼翼型优化任务为例，模型会依据流体仿真反馈去调整运动参数，在官方展示的测试条件下跑出0.164的净推力；作为对照，GLM-5.3为0.150，Qwen3.6-35B-A3B为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

递归自我改进（RSI）在今年成了全球AI实验室紧盯的方向。OpenAI于9月称已进入“自动化研究实习生”阶段，AI能在人类指导下完成过去研究人员要花数天的任务；Anthropic则披露，在一项模型训练代码优化测试里，Claude Mythos Preview把代码运行速度提到原来的约52倍。

超衍智能此番开源首款35B模型，让AI参与基础模型研发有了具体成果可看。但研究结果可不可靠，仍是RSI绕不开的难题。陈勇超10月28日接受虎嗅采访时提到，公司一批AI科研测试中曾出现“奖励黑客”（Reward Hacking）：模型并没达到任务要求，却因为验证规则有漏洞被判通过。这样的错误评测反馈一旦进入下一轮模型训练，系统就可能反复强化无效的研究方法。

眼下，超衍智能已经交出第一款自进化基础模型。接下来更值得看的是，这套系统能不能把研究成果持续变成新一代模型的能力提升，并且扛得住外部验证——这比单次评测成绩更有说服力。