超衍智能最近在最近的日子里把Apex-35B-V1.0这个模型进行了开源的操作。它的功能是允许人工智能自己去制定相关的训练方案, 然后用这样的方法来对其他的模型进行优化工作。
在包括21项的基准测试结果里面, 有其中的20项都超过了基座模型的水平。不过, 对于这样的结果存在很多评测方面的反馈, 这种反馈主要是在说存在污染的风险, 这一点引发了一些关注。
01.基准测试验证AI优化AI
超衍智能把AI4AI-Bench这个测试的两项结果给公布了。这个公布, 是为了验证那个叫Apex-35B-V1.0的优化语言模型, 还有图像生成模型的训练方案, 到底有没有能力。因为这个测试在近期已经完成了。所以那些数据现在就对外公开了。
这个模型是在Qwen3.6-35B-A3B的基础上开发出来的, 它经过了中训练, 还做了后训练优化, 里面融入了超衍智能自己研究轨迹数据, 它的定位是AI研发辅助工具, 而不是通用对话模型。
02.推箱子任务调教Qwen2.5-3B
在测试的时候, Apex-35B-V1.0为Qwen2.5-3B-Instruct这个模型制定了推箱子游戏的训练方案, 该模型的参数数量是三十亿。方案的第一步是让模型花费四个小时来探索策略, 然后再用十二小时的时间对目标模型进行重新训练。
在这个探索阶段所采用的模型里面, 总共完成了207次的命令执行工作以及代码编辑的工作, 而团队的成员们从这里识别出了36项具有较高质量的研究行为与工程操作, 在这些内容当中, 有15项关键性的决策直接改变了关于最终训练策略的具体方向。
03.图像生成美学得分提升
在另一项测试之中, 研究人员使用DDPO以及LoRA对Stable Diffusion 1.5实施了微调操作, 结果导致平均美学奖励得分由原来的5.397上涨至6.638, 这一数值的变化意味着提升比例大约达到了23%。
模型在进行测试的时候, 选择的是用20步去噪的方法, 这个步骤数不是默认的那个50步。然后呢, 又对训练轮数的上限做了调整。接着, 还引进了按照时间停止以及保存检查点的这种机制。最终是在一个固定的预算范围之内, 完成了409轮的训练工作。
04.Apex Research驱动自研迭代
超衍智能使用Apex Research分析模型, 对错误进行评测, 并且识别出存在的推理问题, 能够自动生成科学训练样本, 这些样本被加入到后续的训练过程里, 结果使得内部CFD-Bench成绩提高了32.1分。
在计算效率方面, 该优化方案使得模型训练时的吞吐量提升了百分四十五到百分之六十。在一共二十一项基准测试的对比结果中, 有二十项超出了Qwen3.6-35B-A3B的水平。此外, 在六项科学相关的测试项目里, 也全面取得了领先于基座以及Recursive Flint的结果。
05.智能体与科研任务表现
在含有20篇论文的Code-Dev任务集中, 模型根据官方标准进行了评估, 用以检验其复现的完成程度, 该模型的成绩超过了基座以及Recursive Flint, 在某些测试项目中还超过了参数规模更大的模型。
在涉及工具调用的场景, 以及对于流程自动化实施的测试环节之中, Apex-35B-V1.0同样拿到了相对靠前的得分情况。这样的情况清晰地表明出一个事实, 也就是该模型在面临需要经历多个步骤才能完成的智能体具体任务的时候, 具备一种可以维持稳定的操作规划能力, 同时还拥有与之相匹配的落实执行能力。
06.机器人仿真与流体计算
在Real2Sim这个测试项目里, 模型拿到了21.55分, 这个分数大概是基座Qwen3.6得分的10倍。基座Qwen3.6只有2.1分。这一成绩也接近了GLM-5.3-Flash的21.4分。另外, 在RoboRSI测试中, 该模型得到了44.5分。这个高分超过了基座模型的35.0分。
在扑翼型优化任务里面, 模型会根据流体仿真的反馈来对运动相关的参数进行反复的调整, 最终它能够获取到相当于0.164的净推力数值, 这一数据要比使用GLM-5.3时得出的0.150高, 也要比基座的情况下的0.081要高。
倘若那些存在偏差的评估反馈被一再地投入至后续的模型训练环节里面,那么人工智能技术所遵循的研发路线是否会在不知不觉之间逐渐地偏离原本的正确方向呢? 诚邀各位读者在评论区域之中发表你个人的观点与判断龙南市就业服务平台, 假如你觉得这些内容是有价值的, 请不要忘记点击点赞按钮并将其转发给身边的同行人员。
