超衍智能發佈首個35B 模型 Apex-35B-V1.0，以遞歸自我改進推動 AI 與科學研究

By PR Newswire on 29 Oct 2026

PR Newswire (www.prnasia.com), a Cision company, is the premier global provider of media monitoring platforms and news distribution services that marketers, corporate communicators and investor relations professionals leverage to engage key audiences. Having pioneered the commercial news distribution industry since 1954, PR Newswire today provides end-to-end solutions to produce, distribute, target and measure text and multimedia content across traditional, digital, mobile and social channels. Combining the world's largest multi-channel content distribution and optimization network with comprehensive workflow tools and platforms, PR Newswire powers the stories of organizations around the world. PR Newswire serves tens of thousands of clients from offices in the Americas, Europe, Middle East, Africa and Asia-Pacific regions.

一款在同量級模型中處於領先的通用模型，以遞歸自我改進構建，旨在推動 AI 與科學發現。

北京2026年10月29日 /美通社/ -- 超衍智能（Apex Intelligence）發佈了其首款模型 Apex-35B-V1.0。這款 35B 通用模型以 Qwen3.6-35B-A3B 為基礎，經過中訓練和後訓練進一步優化，模型開發過程中融入了大量自有數據集和研究軌跡。在參與評測的同量級模型中，Apex-35B-V1.0 的研發能力處於領先水平，同時保持了出色的通用能力；在部分基準測試中，其表現也可與更大尺寸規模的模型競爭。

模型構建過程中，AI 自主參與了數據構造、實驗設計、代碼執行、訓練結果分析和訓練優化等環節。在實際應用中，Apex-35B-V1.0 既能完成 Coding、Agent、問答和深度搜索等常規任務，也能完成計算閉環的研究任務，如 AI 研究、計算科學、機器人仿真等，是一款兼具通用能力與研究能力的模型。

Apex-35B-V1.0 既是遞歸自我改進的成果，也將成為繼續推動 AI 與科學研究的工具。

基準評測

在 21 項基準測試中，Apex-35B-V1.0 相比同量級的 Qwen3.6-35B-A3B 取得 20 項領先；相比 Recursive Flint（40B）取得 18 項領先、1 項持平。除了研究任務表現突出，它在智能體任務、編程和推理方面也展現出廣泛的競爭力，並在部分基準測試中超過更大規模的模型。這些結果表明，該模型在35B 規模下兼具突出的研究能力和廣泛的通用能力。更多詳情見技術博客。

Tech Blog：https://www.apexin.com/apex-35b/

研究能力突出，通用能力同樣出色
研究能力突出，通用能力同樣出色

通過遞歸自我改進構建

超衍智能（Apex Intelligence）的自進化 AI 研究系統 Apex Research能夠持續識別模型弱點、提出假設、開展實驗，並將研究發現轉化為可衡量的模型改進。

從自進化訓練數據和自動化實驗，到訓練方案、GPU 內核及推理優化，Apex Research 參與了 Apex-35B-V1.0 的整個開發過程。

自進化數據。 Apex Research 識別模型弱點，並自動生成有針對性的訓練數據。例如，當評測發現模型在計算流體力學（CFD）任務中出現失誤時，系統分析了背後的推理缺口，合成並驗證新的科學訓練樣例，再將其納入後續訓練。這套自進化數據流程使模型在內部 CFD-Bench 上的成績提高了 32.1 分。

自動化實驗。 Apex Research 分析評測結果和智能體運行軌跡，發現系統性的失敗模式，並優化訓練策略。例如，它發現過長的推理上下文和失衡的數據配比會降低智能體表現。隨後，系統探索了不同的序列長度分佈、長短軌跡採樣比例，以及考慮 token 數量的批次組成，找到更有效的訓練配置，提高了智能體的可靠性和訓練效率。

訓練與推理基礎設施。 Apex Research 將自動化優化擴展到底層計算系統，探索更高效的 GPU 內核、負載均衡、通信策略和執行調度。在訓練側，它優化 GPU 負載均衡、通信與計算重疊、動態批處理，以及考慮 token 數量的工作負載分配，以減少同步開銷、縮短 GPU 空閒時間、提高硬件利用率，使訓練吞吐量提升 45%–60%。在推理側，它優化注意力內核、KV 緩存管理，以及預填充和解碼階段的執行方式；在可比工作負載下，實現解碼速度提升至 1.6–1.8 倍，首 token 響應時間降低 30%–35%。