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
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%。
這些改進貫穿數據、訓練和基礎設施，並逐步累積為一個持續反饋的研究循環：每一輪研究的成果，都為下一輪改進提供基礎。
使用方式
Apex-35B-V1.0 的模型權重已在 Hugging Face 提供。配套代碼、部署指南和使用示例已在 GitHub 提供。開發者可以下載並運行該模型，將其用於 AI 開發、科學計算及其他研究任務。模型版本、硬件要求、支持的推理框架和許可信息詳見項目頁面。
GitHub：https://github.com/apexin-ai/Apex-35B-V1.0
Hugging Face：https://huggingface.co/Apexintelligence-AI/Apex-35B-V1.0
關於超衍智能（Apex Intelligence）
超衍智能由清華大學人工智能學院助理教授陳勇超創立，目標是構建下一代自進化基礎大模型。這裡的「自進化」指遞歸自我改進（Recursive Self-Improvement，RSI）：讓 AI 參與研究、實驗與驗證，並將成果用於改進模型自身。
超衍智能希望推動 AI 從輔助工具成為共同研究者，從加速已知走向發現未知。公司的長期願景是讓模型具備相當於並逐步超過10 萬名覆蓋不同學科的頂尖 AI Scientist 的整體科研能力，持續參與科學研究與發現。
繼 Apex-35B-V1.0 模型之後，超衍智能計劃推出更大量級的自進化基礎大模型，新模型將繼續提升 AI 研發能力，並拓展至芯片、量子計算等科學研究領域。更多模型能力、評測結果與開放方式，敬請期待。
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
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%。
這些改進貫穿數據、訓練和基礎設施，並逐步累積為一個持續反饋的研究循環：每一輪研究的成果，都為下一輪改進提供基礎。
使用方式
Apex-35B-V1.0 的模型權重已在 Hugging Face 提供。配套代碼、部署指南和使用示例已在 GitHub 提供。開發者可以下載並運行該模型，將其用於 AI 開發、科學計算及其他研究任務。模型版本、硬件要求、支持的推理框架和許可信息詳見項目頁面。
GitHub：https://github.com/apexin-ai/Apex-35B-V1.0
Hugging Face：https://huggingface.co/Apexintelligence-AI/Apex-35B-V1.0
關於超衍智能（Apex Intelligence）
超衍智能由清華大學人工智能學院助理教授陳勇超創立，目標是構建下一代自進化基礎大模型。這裡的「自進化」指遞歸自我改進（Recursive Self-Improvement，RSI）：讓 AI 參與研究、實驗與驗證，並將成果用於改進模型自身。
超衍智能希望推動 AI 從輔助工具成為共同研究者，從加速已知走向發現未知。公司的長期願景是讓模型具備相當於並逐步超過10 萬名覆蓋不同學科的頂尖 AI Scientist 的整體科研能力，持續參與科學研究與發現。
繼 Apex-35B-V1.0 模型之後，超衍智能計劃推出更大量級的自進化基礎大模型，新模型將繼續提升 AI 研發能力，並拓展至芯片、量子計算等科學研究領域。更多模型能力、評測結果與開放方式，敬請期待。
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
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%。
這些改進貫穿數據、訓練和基礎設施，並逐步累積為一個持續反饋的研究循環：每一輪研究的成果，都為下一輪改進提供基礎。
使用方式
Apex-35B-V1.0 的模型權重已在 Hugging Face 提供。配套代碼、部署指南和使用示例已在 GitHub 提供。開發者可以下載並運行該模型，將其用於 AI 開發、科學計算及其他研究任務。模型版本、硬件要求、支持的推理框架和許可信息詳見項目頁面。
GitHub：https://github.com/apexin-ai/Apex-35B-V1.0
Hugging Face：https://huggingface.co/Apexintelligence-AI/Apex-35B-V1.0
關於超衍智能（Apex Intelligence）
超衍智能由清華大學人工智能學院助理教授陳勇超創立，目標是構建下一代自進化基礎大模型。這裡的「自進化」指遞歸自我改進（Recursive Self-Improvement，RSI）：讓 AI 參與研究、實驗與驗證，並將成果用於改進模型自身。
超衍智能希望推動 AI 從輔助工具成為共同研究者，從加速已知走向發現未知。公司的長期願景是讓模型具備相當於並逐步超過10 萬名覆蓋不同學科的頂尖 AI Scientist 的整體科研能力，持續參與科學研究與發現。
繼 Apex-35B-V1.0 模型之後，超衍智能計劃推出更大量級的自進化基礎大模型，新模型將繼續提升 AI 研發能力，並拓展至芯片、量子計算等科學研究領域。更多模型能力、評測結果與開放方式，敬請期待。
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
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%。
這些改進貫穿數據、訓練和基礎設施，並逐步累積為一個持續反饋的研究循環：每一輪研究的成果，都為下一輪改進提供基礎。
使用方式
Apex-35B-V1.0 的模型權重已在 Hugging Face 提供。配套代碼、部署指南和使用示例已在 GitHub 提供。開發者可以下載並運行該模型，將其用於 AI 開發、科學計算及其他研究任務。模型版本、硬件要求、支持的推理框架和許可信息詳見項目頁面。
GitHub：https://github.com/apexin-ai/Apex-35B-V1.0
Hugging Face：https://huggingface.co/Apexintelligence-AI/Apex-35B-V1.0
關於超衍智能（Apex Intelligence）
超衍智能由清華大學人工智能學院助理教授陳勇超創立，目標是構建下一代自進化基礎大模型。這裡的「自進化」指遞歸自我改進（Recursive Self-Improvement，RSI）：讓 AI 參與研究、實驗與驗證，並將成果用於改進模型自身。
超衍智能希望推動 AI 從輔助工具成為共同研究者，從加速已知走向發現未知。公司的長期願景是讓模型具備相當於並逐步超過10 萬名覆蓋不同學科的頂尖 AI Scientist 的整體科研能力，持續參與科學研究與發現。
繼 Apex-35B-V1.0 模型之後，超衍智能計劃推出更大量級的自進化基礎大模型，新模型將繼續提升 AI 研發能力，並拓展至芯片、量子計算等科學研究領域。更多模型能力、評測結果與開放方式，敬請期待。
