清华27岁助理教授杀入AI自进化赛道！首个35B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PaperBench，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 Apex Research，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%。

每轮实验暴露的问题，都可以成为下一轮研究的起点；经过验证的有效改进，则进一步应用于训练数据、训练策略或底层系统，推动后续研发。

在这一过程中，超衍智能希望让 AI 逐步积累自主研究的能力，并将这些能力反过来用于下一代模型的研发，进一步拓展至数学、物理、机器人等跨学科领域。

让 AI 在研究中积累经验，再用这些经验推动自身进化，正是超衍智能构建 RSI 循环的核心思路。

上手做研究

真实任务见真章

研究任务远比常规问答复杂。模型不仅要理解专业知识，还要把知识转化为可执行的方案，处理实验中出现的问题，并根据反馈不断调整。最终的研究成果，也需要经得起客观指标的检验。

为了展示这方面的能力，超衍智能从计算科学、机器人仿真和 AI for AI三个方向，提供了 Apex-35B-V1.0 参与研究任务的具体案例。

1. 计算流体力学，模型处理真实的计算科学问题。

计算流体力学（CFD）是一个很适合检验 AI 研究能力的领域。Apex-35B-V1.0 展示了两类不同性质的 CFD 优化任务。

第一个是扑翼运动优化。该任务的难点在于，翼片的运动轨迹由 32 个傅里叶系数共同控制。调整其中一个参数，就有可能改变整个运动周期的表现。模型需要在这个高维参数空间中反复探索，通过仿真反馈寻找更优的运动方案。在这一组仿真工况中，Apex-35B-V1.0 给出的方案的最高净推力达到 0.164，高于 GLM-5.3 的 0.150 和基础 Qwen 模型的 0.081。

第二个是血管网络的出口参数分配。这项任务可以理解为一道复杂的参数匹配题：给定一个拥有 64 个出口的血管网络，以及 64 组不同的阻力和顺应性参数，要求模型将这些参数合理分配到各个出口。

从实验结果来看，Apex-35B-V1.0 给出的方案取得了更低的失配值，约为 1.24×10⁻⁵，优于 GLM-5.3 的 1.41×10⁻⁵以及基础 Qwen 模型的 1.68×10⁻³。

在CFD-Bench评测中，以 Qwen3.6-35B-A3B 为共同基线，Apex-35B-V1.0 取得了 79% 的胜率（79 胜、0 平、21 负），展示出较强的计算科学任务处理能力。

2. 机器人仿真，在试错中学会调整

机器人任务的一大难点在于持续与环境交互。模型很难一次性规划好所有动作，而是需要在执行过程中不断观察环境、判断结果，并根据反馈调整下一步行动。Apex-35B-V1.0 在两个机器人评测基准上展示了这方面的能力。

首先是 RoboRSI，该基准主要考察机器人编程智能体执行任务和采集轨迹的能力。团队展示了五项任务，包括堆叠积木、按大小排列积木、移动 T 形积木，以及在干扰物存在的情况下完成同样的搬运任务。还有一项更加有趣的挑战：把杯子里的红色小球倒进垃圾桶。

视频链接：https://mp.weixin.qq.com/s/ebcoQ-nClgWK4oT43B-QNw

Real2Sim 则把挑战转向了场景重建：让模型根据真实环境中的观察信息，在虚拟世界里搭建对应的仿真场景。这里展示了六组场景，将真实参考画面、基础 Qwen 模型和 Apex-35B-V1.0 的重建结果放在一起对比，同时展示重建场景中的关节运动效果。

从这几组对比来看，Apex-35B-V1.0 的重建效果明显优于基础 Qwen 模型，差距已经不只是还原精度高低，而是仿真场景「能不能用」的区别。

在 RoboRSI 评测里，Apex-35B-V1.0 得分 44.5，同量级 Qwen3.6-35B 为 35.0，Flint 为 30.0。而 Real2Sim 评测上的同量级差距最为悬殊：Apex-35B-V1.0 得分 21.55，已接近更大规模的 GLM-5.3（25.6）和 GLM-5.3-Flash（21.4），而 Qwen3.6-35B 仅 2.1，Flint 仅 2.3。Apex-35B-V1.0 的得分约为基础模型的 10 倍，说明 RSI 训练在空间理解和场景重建能力上带来了质的飞跃。

3.AI for AI：当 AI 开始「带新人」

团队还展示了一种更有想象力的用法：让 AI 充当研究者，帮助其他模型提升能力。

在一项推箱子谜题实验中，Apex-35B-V1.0 扮演「导师」角色，负责调整一个小模型「Qwen2.5-3B-Instruct 」的训练配置，帮助它逐步掌握解题策略。在训练过程中，模型在 4 小时的策略探索阶段执行了 207 次命令和代码修改，形成 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。经过 12 小时重新训练，小模型在 512 个未见关卡上的成功率达到 24.4%，超过基座模型的 11.7%，提升至原来的两倍以上。

另一项实验则将目标转向了图像生成模型 Stable Diffusion 1.5。Apex-35B-V1.0 参与了该模型的强化学习微调实验，以固定的审美奖励模型作为反馈信号，通过 DDPO 结合 LoRA 探索优化方案，使生成图像的审美奖励评分得到提升。

过程中，Apex-35B-V1.0 发现了两项关键改进：一是将去噪步数调整为基准测试实际采用的 20 步，在审美评分基本持平的情况下，将单次试验耗时从 1040 秒降至 551 秒；二是提高训练轮数上限，最终在给定预算内完成 409 轮训练。经过这些优化，模型平均审美评分从 5.397 提升至 6.638，增幅约为 23%。

视频链接：https://mp.weixin.qq.com/s/ebcoQ-nClgWK4oT43B-QNw

看到这里，Apex 35B V0.1 现阶段的研究能力与实际应用边界，有了更直观的呈现。在此之前，超衍智能的自进化研究系统已在 AI for AI 和 AI for Math 方向取得多项成果。此次模型发布，则是团队将已有研究经验进一步融入基础模型的新起点。

[1] https://blog.samaltman.com/the-gentle-singularity

[2] https://darioamodei.com/essay/machines-of-loving-grace