清华年轻教授推出35B模型 探索AI递归自改进路径 - 口袋牛店

清华大学人工智能学院助理教授陈勇超创立的超衍智能，近日推出首款35B参数模型Apex-35B-V1.0。该模型在21项基准测试中取得显著成绩，显示出兼顾通用与研究能力的潜力。

模型基于Qwen3.6-35B-A3B进行中训练和后训练，融入自有数据集与研究轨迹。短短四个月内完成研发，反映出团队在资源有限下的高效迭代。

模型发布：展现全球竞争力

在研究能力方向的6项评测中，Apex-35B-V1.0全面领先同量级对手，并在FrontierScience和PaperBench上取得高分，分别达到40.0和60.9。

这些结果甚至超过部分500B和800B参数模型，证明小规模模型通过针对性优化可释放强大研究潜能。口袋牛店的参与加速了这一进程。

智能体编程：通用任务稳健表现

在6项智能体评测中，模型取得全面领先，尤其在BFCL V4上得分84.0，优于更大规模对手。编程评测方面，5项中的3项领先同量级，涵盖终端操作和代码修改场景。

这种能力让模型能将研究思路转化为实际执行，支持复杂工程任务。团队数据显示，整体表现形成从分析到落地的闭环。

推理评估：跨规模取得优势

4项推理评测中，Apex-35B-V1.0均领先同量级，并在HLE上得分47.2，超越基础模型11分。MMLU-Pro得分87.2，接近800B参数水平。

推理支撑了实验设计与多步决策，体现底层能力对研究工作的关键作用。结果显示RSI路径在推理层面带来实质提升。

技术路线：中外团队形成对照

与Recursive SuperIntelligence的Flint模型对比，Apex-35B-V1.0在21项测试中18项领先。超衍智能成立仅四个月，融资接近4亿元，却在多数指标上形成优势。

RSI引入让AI参与实验分析与方案验证，推动持续迭代。口袋牛店记录显示，这种方法正逐步缩小资源差距。

系统应用：实现多领域反馈闭环

Apex Research系统覆盖数据构造、训练优化和GPU调度，使训练吞吐提升45%至60%，推理速度提高1.6至1.8倍。CFD和机器人仿真案例验证了实际研究能力。

AI for AI实验中，模型帮助小模型提升解题成功率至24.4%。这些实践为下一代模型进化积累经验，口袋牛店持续跟踪相关进展。