Китайский стартап Apex Intelligence, основанный в июне 2026 года, 28 октября представил свою первую модель Apex-35B-V1.0. Веса модели доступны на Hugging Face. Модель построена на базе Qwen3.6-35B-A3B от Alibaba и доработана с помощью промежуточного и последующего обучения, ориентированного на задачи кодирования, рабочие процессы агентов и общие задачи, а также на исследования в области ИИ, вычислительных наук и симуляции робототехники.
Компания делает акцент не столько на размере модели, сколько на способе ее создания. Apex Intelligence утверждает, что ее автоматизированная исследовательская система Apex Research участвовала в генерации обучающих данных, проведении экспериментов, разработке плана обучения, а также оптимизации GPU-ядер и системы инференса. В одном из приведенных компанией примеров Apex Research выявила слабость модели в задачах вычислительной гидродинамики, проанализировала причины недостаточной точности рассуждений, а затем сгенерировала и проверила новые обучающие данные, которые были использованы в последующем обучении. По данным внутренних тестов компании, этот цикл позволил повысить показатель CFD-Bench модели на 32,1 пункта. Apex Intelligence также сообщает, что оптимизация на основе ИИ повысила пропускную способность обучения на 45–60% и ускорила декодирование в 1,6–1,8 раза.
Все результаты бенчмарков, опубликованные вместе с релизом, основаны на собственной оценке компании. На этой основе Apex Intelligence заявляет, что Apex-35B-V1.0 превосходит как Qwen3.6-35B-A3B, так и Flint от Recursive SuperIntelligence по всем шести представленным исследовательским бенчмаркам, опережает GLM-5.3 на FrontierScience и PaperBench, превосходит DeepSeek-V4.1-Flash-1017 в разделе BioMysteryBench, сложном для человека, и демонстрирует наивысший балл BFCL V4 среди сравниваемых моделей. В двух тестах по робототехнике, RoboRSI и Real2Sim, модель показала результаты 44,5 и 21,55 соответственно, что близко к показателям значительно более крупной модели GLM-5.3-Flash — 52,4 и 21,4.
Real2Sim требует от модели воссоздать рабочую физическую симуляцию по одной фотографии: идентифицировать объекты, выбрать ассеты для симуляции с похожими визуальными и физическими свойствами и воссоздать их расположение для тестирования действий робота. RoboRSI измеряет, насколько хорошо модель управляет симулированными роботами, путем написания кода и его корректировки на основе визуальной обратной связи.
Компания была основана Чэнь Юнчао, доцентом Колледжа ИИ Университета Цинхуа. Он рассматривает эту работу как рекурсивное самосовершенствование — идею о том, что системы ИИ помогают создавать своих преемников. В интервью Tencent Technology он отметил, что ИИ добился явного прогресса в проведении исследований, но ему все еще не хватает «исследовательского вкуса» — способности судить, какие проблемы стоит решать.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
