超衍智能发布Apex-35B-V1.0：清华最年轻助理教授团队四个月跑进RSI全球竞赛

作者：李嘉佑 46分钟前

一、创业者与赛道起点：清华最年轻助理教授入局AI自进化

Apex-35B-V1.0的发布方超衍智能，由清华大学人工智能学院27岁助理教授陈勇超创立。陈勇超本硕就读于中国科学技术大学，博士为哈佛与MIT联合培养，27岁入职清华大学，成为该校人工智能学院有史以来最年轻的助理教授。公司成立于2026年6月。

这条赛道的技术底色，是一两年前业内已有判断的方向。Sam Altman在《The Gentle Singularity》中提出，AI将帮助人类构建更强大的AI系统，并将AI参与改进AI视为递归自我改进（RSI）的早期形态；Dario Amodei在《Machines of Loving Grace》中则推演，AI有可能把未来50到100年的生物学进展压缩到5至10年完成。

RSI正从判断走向工程实践。OpenAI在官方博客中披露，GPT-5.6的RSI相关能力已帮助其将端到端服务成本降低20%，Token生成效率提升15%以上；Anthropic亦披露其代码库中超过80%的代码由Claude自主生成。让AI参与AI自身的研发，正在成为全球头部实验室公开投入的前沿方向。

二、事件全景：Flint与Apex-35B-V1.0先后发布

超衍智能并非这条赛道上第一个交出模型的公司。10月22日，由前Salesforce首席科学家Richard Socher领衔、田渊栋参与创立的美国公司Recursive Superintelligence发布编程模型Flint：一款40B参数规模的MoE模型，每个token仅激活约2.5B参数，可在笔记本上本地运行；该公司的自动化研究系统Eureka Machine参与了模型研发的多个环节。

六天后，超衍智能于10月28日发布首个模型Apex-35B-V1.0。官方技术博客显示，该模型基于Qwen3.6-35B-A3B进行中训练和后训练，并加入大量超衍智能自有的数据集与研究轨迹。它既能完成Coding、Agent、问答和深度搜索等常规任务，也能参与AI研究、计算科学和机器人仿真等研究型任务；模型权重已发布至Hugging Face，配套代码与部署指南发布于GitHub。

比能力清单更值得关注的是构建方式：超衍智能将RSI引入模型研发，让AI参与实验与结果分析，并把验证有效的成果用于后续研发。换句话说，这款模型的一部分，是由AI自己研究出来的。

三、21项基准成绩单：同量级领先，部分任务跨级超越

按照官方公布的评测口径，Apex-35B-V1.0在研究、智能体、编程、推理四个能力方向共21项基准测试中，相比同量级的Qwen3.6-35B-A3B取得20项领先；与Recursive Flint（40B）对比，取得18项领先、1项持平，其余2项未取得领先。

研究能力是本次发布最受关注的部分。在OpenAI推出的FrontierScience评测（考察高难度科学问题求解）中，Apex-35B-V1.0取得40.0分，是Flint（5.0分）的8倍，较基础Qwen模型（21.7分）提高约84%，并超过总参数量753B的GLM-5.3（30.7分）。在OpenAI的PaperBench评测中——该基准要求智能体从零复现20篇ICML 2024年论文，任务被细分为8316个可评分项目——Apex-35B-V1.0取得60.9分，约为Flint的2.1倍，也远超GLM-5.3的42.5分。需要说明的是，本次官方评测采用PaperBench的Code-Dev划分。

智能体与编程能力同样构成基础盘。在加州大学伯克利分校推出的BFCL V4工具调用评测中，Apex-35B-V1.0取得84.0分，超过所有参与比较的模型，领先GLM-5.3达8.2分、领先DeepSeek-V4.1-Flash达9.0分。编程方向，其在Terminal-Bench 2.1上取得65.2分，超过主打Agentic Coding的Flint；SWE-bench Pro v2得分92.4分，高于Flint的85.2分；SWE-Atlas QnA得分33.1分，约为Flint的两倍。

推理方向，在由Center for AI Safety与Scale AI发起、包含2500道专家题目的HLE（Humanity's Last Exam）上，Apex-35B-V1.0取得47.2分，约为Flint的2.6倍，较基础Qwen高11分，并超过参数量大得多的DeepSeek-V4.1-Flash；在选项增至10个的MMLU-Pro上取得87.2分，与GLM-5.3的88.2分仅差1分。

口径提示：上述对比成绩均为超衍智能公布的同口径自评结果。官方技术博客脚注载明了各基准的评测条件（如推理努力档位、工具开关、评测划分与样本集），并注明部分对比模型的分数引自其官方报告。独立第三方的系统复测尚未展开，这是解读跑分数据时应当保留的边界。

图1 FrontierScience评测得分对比（研究能力）

图2 21项基准中Apex-35B-V1.0对Recursive Flint的战绩构成　

图3 Apex-35B-V1.0编程与智能体代表评测得分　

图4 MMLU-Pro评测得分对比（推理能力）　

四、资本与团队对照：4亿元人民币对垒46.5亿美元估值

资源层面的差距是这支中国团队必须直面的背景。超衍智能成立于2026年6月，9月完成天使轮及天使+轮融资，累计金额近4亿元：天使轮由IDG资本、星连资本、晶泰科技联合领投，德迅资本、无限基金、初心资本、云岫资本跟投；天使+轮由中关村科学城基金、深创投、上海未来产业基金联合领投。

对手的体量则完全不同量级。Recursive Superintelligence于2026年5月完成6.5亿美元融资，投后估值达46.5亿美元，投资方包括GV、Greycroft以及英伟达、AMD Ventures等；7月又与AWS签署总额4.1亿美元的多年期算力合作协议。其创始团队聚合了来自Salesforce、OpenAI、Google DeepMind、Meta等机构的知名研究者。

在这种背景下，两家公司首款模型的正面交锋更具指标意义：一家成立四个月、融资与算力规模远小于对手的中国公司，其首个模型在多数对比评测中取得了对Flint的领先。在高度依赖算力的AI研发中，资源决定实验的并行度与试错空间；而超衍智能给出的对冲方式，是把研发过程本身尽量交给自动化系统——这构成理解其成绩单的关键语境。

五、技术解剖：Apex Research自动化研究系统的三层参与

超衍智能构建了自动化研究系统Apex Research，并在Apex-35B-V1.0的整个研发过程中引入该系统，覆盖自进化训练数据、自动化实验、训练方案、GPU内核及推理优化等环节。其官方定义为：持续识别模型弱点、提出假设、开展实验，并将研究发现转化为可衡量的模型改进。

第一层是数据。当评测发现模型在计算流体力学（CFD）任务上出现失误时，系统分析背后的推理缺口，合成并验证新的科学训练样例，再纳入后续训练；这套自进化数据流程使模型在内部CFD-Bench上的成绩提高了32.1分。

第二层是实验。系统分析评测结果与智能体运行轨迹，找出系统性失败模式：过长的推理上下文会让模型表现退化，失衡的数据配比则导致能力偏科。针对这些问题，系统探索了不同的序列长度分布、长短轨迹采样比例以及按token数量调整训练批次构成，提升了智能体的可靠性和训练效率。

第三层是基础设施。训练侧，系统优化GPU负载均衡、通信与计算重叠执行、动态批处理及按token数量的负载分配，使训练吞吐量提升45%至60%；推理侧，围绕注意力内核、KV Cache管理及预填充与解码调度优化，在相近负载下解码速度提升至原来的1.6倍至1.8倍，首Token延迟降低30%至35%。

这条路线此前已有阶段性验证。2026年5月，Apex Research自主产出34篇机器学习论文提交ACL Rolling Review双盲评审，平均评审分2.60分，接近人类投稿平均的2.63分，其中2篇达到3.67分、超过约99%的人类投稿。公司同时承诺，所有AI生成的投稿将在评审结束后主动撤回，不会进入正式发表流程。

图5 Apex Research带来的研发与推理效率优化幅度　

图6 推理侧解码速度提升区间　

六、真实任务验证：CFD、机器人仿真与AI带AI实证

计算流体力学是检验模型研究能力的试金石。在扑翼运动优化任务中，翼片运动由32个傅里叶系数共同控制，模型需在高维参数空间中依据仿真反馈反复探索；Apex-35B-V1.0给出的方案最高净推力达到0.164，高于GLM-5.3的0.150和基础Qwen模型的0.081。在血管网络出口参数分配任务中，模型为64个出口的血管网络分配给定的阻力与顺应性参数，取得约1.24×10⁻⁵的失配值，优于GLM-5.3的1.41×10⁻⁵与基础Qwen的1.68×10⁻³。在以Qwen3.6-35B-A3B为共同基线的CFD-Bench上，Apex-35B-V1.0取得79%的胜率（79胜、0平、21负）。

机器人方向展示了两个互补的基准。RoboRSI考察智能体通过生成代码并根据视觉反馈调整来控制仿真机器人，Apex-35B-V1.0取得44.5分，高于Qwen3.6-35B-A3B的35.0分与Flint的30.0分，但低于300B级的GLM-5.3-Flash（52.4分）。Real2Sim考察依据单张真实图像重建可运行的物理仿真环境，Apex-35B-V1.0取得21.55分，接近GLM-5.3（25.6分）与GLM-5.3-Flash（21.4分），显著高于基础Qwen的2.1分与Flint的2.3分。

AI for AI方向的实验更具想象力。在推箱子谜题实验中，Apex-35B-V1.0扮演导师角色，负责调整小模型Qwen2.5-3B-Instruct的训练配置：在4小时策略探索阶段执行207次命令和代码修改，形成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；经过12小时重训，小模型在512个未见关卡上的成功率达到24.4%，超过基座模型的11.7%，提升至两倍以上。在另一项实验中，Apex-35B-V1.0参与Stable Diffusion 1.5的强化学习微调（DDPO结合LoRA，以固定审美奖励模型为反馈）：它发现基准实际采用20步去噪而非默认50步，在审美评分基本持平的前提下将单次试验耗时从1040秒降至551秒，并提高训练轮数上限、在给定预算内完成409轮训练，最终使平均审美评分从5.397提升至6.638，增幅约23%。

图7 RoboRSI评测得分对比（机器人任务执行）　

图8 Real2Sim评测得分对比（场景重建）　

图9 推箱子实验：AI导师训练前后小模型成功率对比

七、影响研判：RSI从技术设想走向模型较量

Apex-35B-V1.0最值得记录的一点，是在部分高难度研究类评测中以35B参数规模超过了500B级的DeepSeek-V4.1-Flash与800B级的GLM-5.3。单点跑分尚不足以推翻规模法则，但它提示了另一个变量：当研发流程本身被自动化系统改造，参数与算力之外的研发方法论，开始对模型实力产生可测量的边际贡献。

对RSI赛道而言，这次发布标志着竞争从技术设想进入产品对垒阶段：中美两家创业公司在同一周内各自交出首个模型，且以几乎相同的口径正面比较。如果自动化研究闭环能够持续运转——每轮实验暴露的问题成为下一轮研究的起点，验证有效的改进回流到数据、训练策略与底层系统——资金与算力上的差距就未必能直接兑换为模型实力上的差距。

审慎的一面同样需要记录。上述评测均为公司同口径自评，独立第三方复测与真实科研产出仍有待检验；行业研究亦提示，当前自进化实践总体仍处于优化目标、评价标准与安全边界由人类设定的阶段。超衍智能给出的长期目标——让模型整体科研能力相当于并逐步超过10万名跨学科顶尖AI Scientist，并在下一代模型中拓展至芯片设计、量子计算等领域——更接近一条需要多年验证的研发路线图，而非已经完成的结果。

结论

超衍智能Apex-35B-V1.0的意义，不在于又一个35B模型的开源，而在于其研发方式：AI深度参与了数据构造、实验设计、结果分析与训练基础设施优化，并在此前Apex Research的论文评审实验中展现出接近人类投稿水平的自主研究能力。

在21项基准测试中，该模型对同量级的Qwen3.6-35B-A3B取得20项领先，对Recursive Flint取得18项领先、1项持平，并在FrontierScience、PaperBench、HLE等高难度研究类评测中超过500B与800B级模型；训练吞吐量提升45%至60%、解码速度提升至1.6倍至1.8倍的工程数据，则为自动化研发路线提供了效率层面的佐证。

需要保留的判断边界同样清晰：全部对比成绩为公司同口径自评，独立验证尚未展开；RSI路线的长期有效性在行业内部仍被视为待验证命题。这家成立四个月、完成近4亿元融资的公司下一步将推出更大量级的自进化基础模型，届时其研发方法论能否持续兑现，将得到更严格的检验。