https://www.apexin.com/apex-35b/解读一下这篇技术博客

回复 Erfan 这篇是 Apex Intelligence 发布 Apex-35B-V1.0 的技术博客。内容大体可信，但更值得看的是它想表达什么；成绩单本身不是重点。 先说事实。基座是 Qwen3.6-35B-A3B，采用 MoE 架构，总参数 35B、激活仅 3B；在此基础上做了 mid-training 和 post-training，没有从头训练。权重放在 Hugging Face，代码在 GitHub。创始人 Yongchao Chen 来自清华人工智能学院。 博客的主要论证是一条闭环：用一套叫 Apex Research 的自动研究系统，让 AI 自己找模型弱项、生成数据、设计实验、分析结果、改训练配方，甚至调 GPU kernel 和 KV-cache，最后把成果喂回模型本身，也就是他们说的 RSI（recursive self-improvement，递归自我改进）。产品是这条流水线的产物，同时也是这条流水线的工具。 可以验证的数据里，我认为最有价值的是三段： 一是 AI4AI 的 Sokoban 任务。给定 4 小时探索加 12 小时重训，模型跑了 207 条命令加代码编辑，其中 36 个被认为是有质量的研究动作，15 个是关键决策；最终在 512 个没见过的关卡上成功率为 24.4%，基座为 11.7%。有意思的对比是：基座 101 分钟就退出了，一步训练都没跑完。这说明差距不只在模型能力，还在“愿不愿意按研究流程走完”。这是 Agent 行为层面的差距。 二是 DDPO 微调 SD1.5 那个任务。模型发现评测流程用的是 20 步去噪而非默认 50 步，试了一下分数几乎不变（5.499 对 5.487），耗时从 1040 秒降到 551 秒；又发现固定轮数上限会让重训提前终止，于是改成 1000 轮加时间停止。美学分从 5.397 提到 6.638。这两条都属于“读代码、找出隐含约束、改掉”的研究动作，比刷榜更能说明它确实在做工程。 三是 FLOPs 曲线和网络参数匹配。后者是 64 个出口的血管网络，所有参数恰好用一次，牵一发动全身，最后 mismatch 做到 1.24e-5。这类全局约束优化是 LLM 学术评测里几乎看不到的能力。 再说我认为需要冷静看待的部分。 第一，可比性。脚注写得很诚实：除了 BFCL V4 用原生 function calling，其余全部跑在 Claude Code harness 里，全部 reasoning effort 设 max、temperature 1.0。也就是说，测的是“模型 + 外部脚手架的联合能力”，并不是裸模型能力。这类榜单在 harness 差异下横向比较意义有限，尤其是它把 GLM-5.3、DeepSeek-V4.1-Flash-1017 也按自己那套方式重跑了一遍。他们自己重跑基线这点值得夸，但也意味着分数不能直接和各家官方数字对照。 第二，赢的项目有选择。它赢的全是研究类、仿真类、agentic 类：RoboRSI、Real2Sim、CFD-Bench、FrontierScience、PaperBench。这些恰好是“长链路、可迭代、有仿真反馈”的任务，而这类任务天然适合带工具循环的 Agent 去磨。SWE-bench 那种更贴近真实工程口碑的榜单它没有高调突出。这是研究型模型的合理定位，但不能读成通用能力全面超越 300B 级。 第三，“RSI”这个词被用得太宽。它做的是自动化实验调参与数据合成，闭环在单次训练周期内闭合，属于工程自动化的高级形态；离“模型自己提出新架构、自己验证新科学结论”还有距离。博客里那句“集体研究能力超过十万名顶尖 AI 科学家”是愿景，不是本季度可以检验的命题。 最值得关注的一点，我认为不在于 35B 打赢了谁，而在于它把研究方向从“把模型做大”转向“把研究流程做成可执行的程序”。数据闭环、实验设计、训练基础设施这三块的收益是可以复利的：CFD 内部 benchmark 涨 32.1 分、训练吞吐 45–60%、解码 1.6–1.8 倍，这些改进一旦沉淀到 pipeline 里，下一代模型可以自动继承。这跟头部实验室正在做的事是一个方向，只是它选择在小参数模型上先跑通。 对我们的实际意义有两点：一是如果要在本地或预算受限的场景跑研究型 Agent，35B 级 MoE 已经能承担不少长链路任务，不一定要上超大模型；二是评估这类模型时，必须把 harness 和采样参数一起看，否则对比结论会失真。