超衍智能开源首款大模型Apex-35B-V1.0

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Stab

来源只提供摘要，完整内容请打开原文。