清华27岁助理教授杀入AI自进化赛道！首个35 B模型刚刚亮相
编辑｜杜伟、冷猫
AI 的下一次突破将从何而来？业界大佬们一两年前就已给出判断。
Sam Altman 在《The Gentle Singularity》[1] 中谈到，AI 将帮助人类构建更强大的 AI 系统，并将 AI 参与改进 AI 的趋势视为递归自我改进（RSI）的早期形态。当 AI 有能力参与下一代 AI 的研发，技术进步就有机会形成新的加速循环。
Dario Amodei 同样在《Machines of Loving Grace》[2] 中做了更大胆的推演，AI 有可能将未来 50 到 100 年的生物学进展压缩到 5 至 10 年完成。这个判断背后，是 AI 深度参与科学研究所蕴含的巨大潜力。
如今，这些设想开始落地为具体产品。10 月 22 日，田渊栋参与创立的 Recursive SuperIntelligence 发布了 Flint，一款 40B 参数规模的 MoE 编程模型，每个 token 仅激活 2.5B 参数，可在笔记本上本地运行。
该公司的自动化研究系统 Eureka Machine 参与了模型研发的多个环节。
在这条迅速升温的赛道上，国内团队打出了新牌。
由清华大学人工 智能学院 27 岁助理教授陈勇超创立的超衍智能，刚刚发布了首个 35B 模型 Apex-35B-V1.0。
这是一款 兼顾通用能力与研究能力的模型 。Apex-35B-V1.0 模型既能完成 Coding、Agent、问答和深度搜索等常规任务，也能深度参与 AI 研究、计算科学和机器人仿真。
在 21 项基准测试中，Apex-35B-V1.0 相比同量级的 Qwen3.6-35B-A3B，在 20 项上取得领先；与 Recursive Flint（40B）对比，则取得 18 项领先、1 项持平的成绩，达到 SOTA 水平 。甚至在部分高难度评测中 超越了参数规模高达 500B 和 800B 的大尺寸模型 ，展现出具有全球竞争力的模型能力。
技术博客： https://www.apexin.com/apex-35b/
Github 链接：https://github.com/apexin-ai/Apex-35B-V1.0
Hugging Face 链接：https://huggingface.co/Apexintelligence-AI/Apex-35B-V1.0
该模型基于 Qwen3.6-35B-A3B 进行中训练和后训练，加入了大量超衍智能自有的数据集与研究轨迹。但更值得关注的地方，是它的构建方式。
超衍智能将递归自我改进（RSI）引入模型研发，让 AI 参与实验与结果分析，并尝试将验证有效的成果用于后续研发。
这家今年 6 月才成立的公司，短短数月已完成两轮融资，融资总额接近 4 亿元，受到资本市场热捧。如今，在仅仅四个月的短时间内，便推出首款具有全球竞争力的模型，超衍智能用一份实打实的成绩单，回应了外界的期待。
先看跑分：同量级领先
部分任务跑赢 800B 巨头
在深入技术细节之前，不妨先看看这套研发方式最终交出了怎样一份成绩单。
如今，35B 级别的模型已经不算稀奇。但是，在 35B 参数的模型规模下，即便采用成熟的研发流程，要在有限的参数规模下兼顾 Coding、Agent 等通用能力，同时胜任复杂的研究任务，依然是一项不小的挑战。更何况，Apex-35B-V1.0 还探索了让 AI 深度参与模型研发，通过递归自我改进（RSI）推动研发流程持续迭代的新路线。
为了全面展现 Apex-35B-V1.0 的实力，我们 从研究、智能体、编程和推理四大能力方向，共计 21 项基准评测来检验模型实力 。
这四类能力全方位覆盖了 AI 模型的各项能力矩阵。研究能力决定模型能否理解专业问题、探索解决方案；智能体能力让模型能够调用工具、执行任务，并根据反馈持续调整；编程能力将研究思路转化为可执行的代码和实验；推理能力则支撑复杂问题的分析与判断。
对于一款兼顾通用能力与研究能力的模型而言，既要在日常任务中表现出色，也要能将多种能力组合起来，完成更复 杂的研究工 作。
我们先从评测结果入手，看看 Apex-35B-V1.0 的实力究竟如何。
1. 研究能力：6 项评测全面领先同量级
对于一款能够参与复杂研究任务的模型而言，真正的挑战在于能否理解专业问题、提出合理的解决方案，并将研究思路转化为实际成果。
在最能体现研究能力的 6 项评测中，Apex-35B-V1.0 均领先 Qwen3.6-35B 和 Flint 。并且在部分基准测试中，Apex-35B-V1.0 的成绩甚至 超越了 500B 参数级的 DeepSeek-V4.1-Flash，以及 800B 参数级的 GLM-5.3 。
在这些亮眼的数据里，有两项评测值得特别关注。
第一项是 OpenAI 于 2025 年推出的 FrontierScience 。这项评测专门衡量 AI 解决高难度科学问题的能力，题目横跨物理、化学、生物等领域，既包含国际奥林匹克竞赛级别的问题，也涉及博士研究人员在实际研究中可能遇到的复杂任务，远比回答常规知识问题更具挑战性。
Apex-35B-V1.0 在这项评测中拿到了 40.0 分，是 Flint 的 8 倍 ，相比基础 Qwen 模型 提高约 84% 。更令人惊喜的是，它还 超过了总参数量高达 753B 的 GLM-5.3 ，后者得分为 30.7。
另一项是 OpenAI 推出的 Paper Be nch ，直接考察 AI 能否从零复现一篇 AI 研究论文。
这项评测选取了 20 篇 ICML 2024 的 Spotlight 和 Oral 论文，要求智能体理解论文方法、编写代码、运行实验，并尽可能还原原论文的研究结果。为了衡量完成情况，研究人员还将这些任务细化为 8316 个可评分项目。
在这项难度颇高的测试中，Apex-35B-V1.0 取得 60.9 分，是 Flint 的约 2.1 倍 ，也 远远超过了 GLM-5.3 的 42.5 分。
这样的成绩着实令人惊喜。仅有 35B 参数的模型，竟然能在高难度研究任务中释放出如此强大的能力。尤其是在专业问题求解和论文复现等场景中， Apex-35B-V1.0 已经在部分评测上超越了 800B 参 数的大模型，也 让超衍智能所探索的 RSI 技术路线更加闪闪发光。
2. 智能体与编程：通用能力稳固
智能体能力决定了模型能否自主调用工具、组织多步骤任务并根据反馈调整行动；编程能力则让它能够直接编写和修改代码，开展实验，甚至处理复杂的软件工程问题。
在 6 项智能体评测中，Apex-35B-V1.0 同样全面领先同量级模型。 在 6 项智能体评测中，Apex-35B-V1.0 全面领先基础 Qwen3.6-35B-A3B，与 Flint 对比则取得 5 项领先、1 项持平的成绩。
其中，最亮眼的是加州大学伯克利分校推出的 BFCL V4（Berkeley Function Calling Leaderboard）。
这是衡量大模型工具调用能力的代表性基准之一。评测不局限于模型能否正确调用某个函数，还进一步考察多轮交互、信息检索、记忆操作等复杂智能体任务。这意味着，模型不仅要知道该调用哪个工具，还要理解什么时候调用、如何传递参数，以及怎样在连续操作中保持正确性。
Apex-35B-V1.0 在 BFCL V4 上取得 84.0 分，超过了所有参与比较的模型。 即便面对更大规模的 GLM-5.3 和 DeepSeek-V4.1-Flash，也分别领先 8.2 分和 9.0 分。
编程能力 ，早已是大模型的必考项。如今的高难度编程基准，早已不局限于生成几行正确代码，还涉及理解复杂代码库、修改现有项目、操作终端环境，以及通过测试验证结果。
在编程能力的评测中， Apex-35B-V1.0 在 5 项评测中的 3 项 领先同量级模型 ，包括 SWE-Atlas QnA、Terminal-Bench 2.1 和 SWE-bench Pro v2。
其中，Terminal-Bench 2.1 就是一个颇具挑战性的评测。它要求智能体在真实的命令行环境中完成软件工程、系统配置等任务。模型需要自主执行命令、处理报错，最终交付能够通过验证的结果。在这项评测中， Apex 取得 65.2 分，超过主打 Agentic Coding 的 Flint。
整体来看，Apex 在 5 项编程评测中的 3 项领先 Flint。其中，SWE-Atlas QnA 得分达到 33.1，约为 Flint 的两倍；SWE-bench Pro v2 得分达到 92.4，同样高于 Flint 的 85.2。
Apex 不仅能够调用工具、规划任务，也具备将方案落实到实际代码和工程操作中的能力。 当 AI 开始参与模型研发和复杂研究任务时，这种从分析问题到动手执行的能力，正是其发 挥实 际作用的重要基础。
3. 推理能力：4 项领先同量级，HLE 实现跨级超越
无论是设计实验、分析复杂问题，还是执行需要连续决策的智能体任务，推理能力始终是底层支撑。
在 4 项推理评测中，Apex-35B-V1.0 均领先同量级模型，在部分场景下成绩超越 500B 参数级的 DeepSeek-V4.1-Flash。
其中最值得关注的，是被称为 「人类最后的考试」的 HLE （Humanity's Last Exam）。这项评测由 Center for AI Safety（CAIS）和 Scale AI 发起，相关研究于 2026 年发表于《Nature》。其正式题集包含 2500 道高难度问题，涉及数学、物理、化学、生物等上百个学科方向。
HLE 的设计初衷，就是解决传统评测逐渐被顶尖模型刷到高分、难以继续区分能力水平的问题。题目由各领域专家参与设计，许多问题需要深入的专业知识和复杂推理，无法通过简单搜索找到答案。
在这样一项专门挑战模型能力边界的评测中， Apex-35B-V1.0 取得了 47.2 分，是 Flint 的约 2.6 倍 ，相比基础 Qwen 领先 11 分，也超过了参数量大得多的 DeepSeek-V4.1-Flash。
另一项 MMLU-Pro ，则考察模型面对复杂知识与推理问题时的综合表现。这项评测由 TIGER-AI-Lab 等研究者提出，在传统 MMLU 基础上引入了更复杂的推理题目，并将每道题的选项从 4 个增加到 10 个，进一步提高了难度。
Apex 在这项评测中 取得 87.2 分 ， 与 800B 参数级的 GLM-5.3 的 88.2 分仅差 1 分 ，展现出了接近更大规模模型的综合推理水平。
4. 与 Flint 正面交锋：21 项评测，18 项领先
放眼全球，RSI 已经成为 AI 领域一条备受关注的技术路线。而在这场探索中，来自中美的这两支创业团队，恰好形成了一组颇有意思的对照。
一边是美国的 Recursive Superintelligence，由前 Salesforce 首席科学家 Richard Socher 领衔，联合创始人包括知名华人 AI 研究者田渊栋，以及来自 OpenAI、Google DeepMind、Meta 等机构的顶尖人才。
另一边，则是今年 6 月成立的超衍智能，由清华大学人工智能学院 27 岁助理教授陈勇超创立，同样将 RSI 作为核心技术路线，目标是打造具备持续研究和自我改进能力的基础模型。
众所周知， Recursive 起步更早，资本和算力资源也更加充裕 。 今年 5 月，他们便宣布完成 6.5 亿美元融资，估值达到 46.5 亿美元。7 月，Recursive 又与 AWS 签署了一项总额达 4.1 亿美元的多年期算力合作协议，为大规模自动化研究提供基础设施支持。
这些资源对于 RSI 的探索尤为重要。AI 提出研究假设，需要通过实验验证；实验产生新的发现，又需要进一步训练和评估。整个过程涉及大量算力消耗。资源越充足，通常意味着能够同时开展更多实验、探索更多方向，也有更大的空间容纳试错。在高度依赖算力的 AI 领域，这无疑是一项巨大的先发优势。
也正因如此，两家公司的首款模型表现，构成了一次很有意思的技术交锋。
实验结果表明 在 21 项基准测试中，Apex-35B-V1.0 对 Recursive 最新发布的 Flint 模型取得了 18 项领先、1 项持平的成绩。
一家成立仅四个月、算力和融资规模远小于美国对手的中国创业公司，第一款模型便在多数对比评测中跑赢了强大的竞争对手。 RSI 的竞争已经开始从技术设想走向真实模型的能力较量，而中国团队已经成为这场全球竞赛中不可忽视的参与者。
这也让人更加期待超衍智能接下来的表现。毕竟，RSI 最吸引人的地方，就是让 AI 参与模型研发，帮助团队更快地发现问题、验证新方法，再把成果用到下一代模型上。
如果这套方法能够持续发挥作用，资金和算力上的差距，就未必能决定最终的模型实力。
持续迭代的 RSI 循环
开始转动起来
事实上，让 AI 参与研究和技术研发，已经成为行业内一条越来越受关注的探索方向。目前，相关实践大致沿着两条路线展开。
一条是 AI for AI， 侧重于让 AI 参与模型、算法和训练系统的研发，推动 AI 自身持续改进。 典型代表是 Recursive 的 Eureka Machine，前文提到的 Flint 正是这条路线的产物。
另一条是 AI for all，让 AI 参与各个行业的研究，推动 AI 在科技创新中的应用。 AI 巨头们已经做出了很多探索，比如 Google DeepMind 的 AI Co-Scientist 帮助研究人员生成、评估和改进科学假设，探索潜在研究方向； Anthropic 的 Claude Science 将文献分析、多步研究、代码执行和计算资源调用整合到研究工作流中，Claude Code 也展示了执行长程科学计算任务的潜力。
与此同时，一批垂直领域的创业公司也在尝试让 AI 参与专业研发。比如芯片设计初创公司 ChipAgents 利用 Agent 辅助芯片设计、调试与验证；材料发现公司 CuspAI 将生成式材料设计、高精度计算模拟与实验验证结合起来。
AI for AI 可以说是狭义的 RSI，AI for all 则是广义的 RSI。两条路线各有侧重，也不是平行的，而 超衍智能希望把这两条路线结合起来 。
为了让这套思路在模型研发中落地，并为后续拓展到更多研究与工程任务积累经验，团队构建了 自动化研究系统 A pex Re search ，并将其引入此次 Apex-35B-V1.0 的研发流程，覆盖训练数据构造、自动化实验、训练方案探索，以及 GPU Kernel 和推理优化等环节。
Apex Research 如何参与模型研发？
Apex Research 的具体工作可以分为以下三个方面：
根据模型短板生成训练数据。 传统的模型训练通常需要研究人员先分析能力短板，再收集、筛选或标注相应的数据。Apex Research 尝试将这一过程自动化，让 AI 根据评测反馈，找到模型需要补强的地方，并生成针对性的训练样本。以计算流体力学（CFD）为例，这套数据改进流程使模型在内部 CFD-Bench 上的成绩提升了 32.1 分，初步形成了从发现问题到定向补强的反馈闭环。
根据实验反馈调整训练方案。 系统分析评测结果和智能体运行轨迹，寻找反复出现的失败模式。它发现了两个关键问题：过长的推理上下文会让模型「走神」，而失衡的数据配比则导致模型偏科。针对这些问题，系统探索了不同的序列长度分布、长短轨迹的采样比例，以及根据 token 数量调整训练批次的方式。最终，这些探索提升了智能体的可靠性和训练效率。
将自动化研究延伸到训练和推理基础设施。 在训练侧，Apex Research 参与优化多 GPU 之间的负载分配、通信与计算调度，减少设备等待时间，使 训练吞吐量提升了 45% 至 60% 。在推理侧，系统围绕注意力计算、KV Cache 管理，以及预填充和解码阶段的调度开展优化。在相近负载条件下， 解码速度达到原来的 1.6 至 1.8 倍 ， 首 Token 延迟 降低了 30% 至 35% 。
主题：模型|Apex-35B-V1.0|能力