清华27岁助理教授杀入AI自进化赛道，首个35B模型刚刚亮相

AI领域的下一轮重大进展将源自何处？行业领军人物在一年前就已给出预判。

Sam Altman在《The Gentle Singularity》[1]中提到，AI将协助人类打造更先进的AI系统，并将AI参与自身改进的趋势视为递归自我改进（RSI）的早期迹象。一旦AI具备参与下一代AI开发的能力，技术进步便可能催生新的加速循环。

Dario Amodei在《Machines of Loving Grace》[2]中则进行了更为激进的推测：AI或许能将未来50至100年的生物学进展压缩至5到10年内实现。这一论断的背后，是AI深度介入科学研究所能释放的巨大潜力。

如今，这些构想正逐步转化为实际产品。10月22日，由田渊栋联合创立的Recursive SuperIntelligence发布了Flint，这是一款40B参数规模的MoE编程模型，每个token仅激活2.5B参数，可在笔记本电脑上本地运行。

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。

在这条快速升温的赛道上，国内团队也亮出了新牌。

由清华大学人工智能学院27岁助理教授陈勇超创立的超衍智能，刚刚发布了其首个35B模型Apex-35B-V1.0。

这是一款兼顾通用能力与研究能力的模型。Apex-35B-V1.0既能执行Coding、Agent、问答和深度搜索等常规任务，也能深度参与AI研究、计算科学和机器人仿真。

在21项基准测试中，Apex-35B-V1.0相比同量级的Qwen3.6-35B-A3B，在20项上取得领先；与Recursive Flint（40B）对比，则取得18项领先、1项持平的成绩，达到SOTA水平。甚至在部分高难度评测中超越了参数规模高达500B和800B的大尺寸模型，展现出具有全球竞争力的模型能力。

该模型基于Qwen3.6-35B-A3B进行中训练和后训练，加入了大量超衍智能自有的数据集与研究轨迹。但更值得关注的，是它的构建方式。

超衍智能将递归自我改进（RSI）引入模型研发，让AI参与实验与结果分析，并尝试将验证有效的成果用于后续研发。

这家今年6月才成立的公司，短短数月已完成两轮融资，融资总额接近4亿元，受到资本市场热捧。如今，在仅仅四个月的短时间内，便推出首款具有全球竞争力的模型，超衍智能用一份实打实的成绩单，回应了外界的期待。

先看跑分：同量级领先，部分任务跑赢800B巨头

在深入技术细节之前，不妨先看看这套研发方式最终交出了怎样一份成绩单。

如今，35B级别的模型已经不算稀奇。但是，在35B参数的模型规模下，即便采用成熟的研发流程，要在有限的参数规模下兼顾Coding、Agent等通用能力，同时胜任复杂的研究任务，依然是一项不小的挑战。更何况，Apex-35B-V1.0还探索了让AI深度参与模型研发，通过递归自我改进（RSI）推动研发流程持续迭代的新路线。

为了全面展现Apex-35B-V1.0的实力，我们从研究、智能体、编程和推理四大能力方向，共计21项基准评测来检验模型实力。

这四类能力全方位覆盖了AI模型的各项能力矩阵。研究能力决定模型能否理解专业问题、探索解决方案；智能体能力让模型能够调用工具、执行任务，并根据反馈持续调整；编程能力将研究思路转化为可执行的代码和实验；推理能力则支撑复杂问题的分析与判断。

对于一款兼顾通用能力与研究能力的模型而言，既要在日常任务中表现出色，也要能将多种能力组合起来，完成更复杂的研究工作。

我们先从评测结果入手，看看Apex-35B-V1.0的实力究竟如何。

1. 研究能力：6项评测全面领先同量级

对于一款能够参与复杂研究任务的模型而言，真正的挑战在于能否理解专业问题、提出合理的解决方案，并将研究思路转化为实际成果。

在最能体现研究能力的6项评测中，Apex-35B-V1.0均领先Qwen3.6-35B和Flint。并且在部分基准测试中，Apex-35B-V1.0的成绩甚至超越了500B参数级的DeepSeek-V4.1-Flash，以及800B参数级的GLM-5.3。

在这些亮眼的数据里，有两项评测值得特别关注。

第一项是OpenAI于2025年推出的FrontierScience。这项评测专门衡量AI解决高难度科学问题的能力，题目横跨物理、化学、生物等领域，既包含国际奥林匹克竞赛级别的问题，也涉及博士研究人员在实际研究中可能遇到的复杂任务，远比回答常规知识问题更具挑战性。

Apex-35B-V1.0在这项评测中拿到了40.0分，是Flint的8倍，相比基础Qwen模型提高约84%。更令人惊喜的是，它还超过了总参数量高达753B的GLM-5.3，后者得分为30.7。

另一项是OpenAI推出的PaperBench，直接考察AI能否从零复现一篇AI研究论文。

这项评测选取了20篇ICML 2024的Spotlight和Oral论文，要求智能体理解论文方法、编写代码、运行实验，并尽可能还原原论文的研究结果。为了衡量完成情况，研究人员还将这些任务细化为8316个可评分项目。

在这项难度颇高的测试中，Apex-35B-V1.0取得60.9分，是Flint的约2.1倍，也远远超过了GLM-5.3的42.5分。

这样的成绩着实令人惊喜。仅有35B参数的模型，竟然能在高难度研究任务中释放出如此强大的能力。尤其是在专业问题求解和论文复现等场景中，Apex-35B-V1.0已经在部分评测上超越了800B参数的大模型，也让超衍智能所探索的RSI技术路线更加闪闪发光。

2. 智能体与编程：通用能力稳固

智能体能力决定了模型能否自主调用工具、组织多步骤任务并根据反馈调整行动；编程能力则让它能够直接编写和修改代码，开展实验，甚至处理复杂的软件工程问题。

**在6项智能体评测中，Apex-35B-V1.0同样全面领先同量级模型。**在6项智能体评测中，Apex-35B-V1.0全面领先基础Qwen3.6-35B-A3B，与Flint对比则取得5项领先、1项持平的成绩。

其中，最亮眼的是加州大学伯克利分校推出的BFCL V4（Berkeley Function Calling Leaderboard）。

这是衡量大模型工具调用能力的代表性基准之一。评测不局限于模型能否正确调用某个函数，还进一步考察多轮交互、信息检索、记忆操作等复杂智能体任务。这意味着，模型不仅要知道该调用哪个工具，还要理解什么时候调用、如何传递参数，以及怎样在连续操作中保持正确性。

**Apex-35B-V1.0在BFCL V4上取得84.0分，超过了所有参与比较的模型。**即便面对更大规模的GLM-5.3和DeepSeek-V4.1-Flash，也分别领先8.2分和9.0分。

编程能力，早已是大模型的必考项。如今的高难度编程基准，早已不局限于生成几行正确代码，还涉及理解复杂代码库、修改现有项目、操作终端环境，以及通过测试验证结果。

在编程能力的评测中，Apex-35B-V1.0在5项评测中的3项领先同量级模型，包括SWE-Atlas QnA、Terminal-Bench 2.1和SWE-bench Pro v2。

其中，Terminal-Bench 2.1就是一个颇具挑战性的评测。它要求智能体在真实的命令行环境中完成软件工程、系统配置等任务。模型需要自主执行命令、处理报错，最终交付能够通过验证的结果。在这项评测中，Apex取得65.2分，超过主打Agentic Coding的Flint。

整体来看，Apex在5项编程评测中的3项领先Flint。其中，SWE-Atlas QnA得分达到33.1，约为Flint的两倍；SWE-bench Pro v2得分达到92.4，同样高于Flint的85.2。

Apex不仅能够调用工具、规划任务，也具备将方案落实到实际代码和工程操作中的能力。当AI开始参与模型研发和复杂研究任务时，这种从分析问题到动手执行的能力，正是其发挥实际作用的重要基础。

3. 推理能力：4项领先同量级，HLE实现跨级超越

无论是设计实验、分析复杂问题，还是执行需要连续决策的智能体任务，推理能力始终是底层支撑。

在4项推理评测中，Apex-35B-V1.0均领先同量级模型，在部分场景下成绩超越500B参数级的DeepSeek-V4.1-Flash。

其中最值得关注的，是被称为**「人类最后的考试」的HLE**（Humanity's Last Exam）。这项评测由Center for AI Safety（CAIS）和Scale AI发起，相关研究于2026年发表于《Nature》。其正式题集包含2500道高难度问题，涉及数学、物理、化学、生物等上百个学科方向。

HLE的设计初衷，就是解决传统评测逐渐被顶尖模型刷到高分、难以继续区分能力水平的问题。题目由各领域专家参与设计，许多问题需要深入的专业知识和复杂推理，无法通过简单搜索找到答案。

在这样一项专门挑战模型能力边界的评测中，Apex-35B-V1.0取得了47.2分，是Flint的约2.6倍，相比基础Qwen领先11分，也超过了参数量大得多的DeepSeek-V4.1-Flash。

另一项MMLU-Pro，则考察模型面对复杂知识与推理问题时的综合表现。这项评测由TIGER-AI-Lab等研究者提出，在传统MMLU基础上引入了更复杂的推理题目，并将每道题的选项从4个增加到10个，进一步提高了难度。

Apex在这项评测中取得87.2分，与800B参数级的GLM-5.3的88.2分仅差1分，展现出了接近更大规模模型的综合推理水平。

4. 与Flint正面交锋：21项评测，18项领先

放眼全球，RSI已经成为AI领域一条备受关注的技术路线。而在这场探索中，来自中美的这两支创业团队，恰好形成了一组颇有意思的对照。

一边是美国的Recursive Superintelligence，由前Salesforce首席科学家Richard Socher领衔，联合创始人包括知名华人AI研究者田渊栋，以及来自OpenAI、Google DeepMind、Meta等机构的顶尖人才。

另一边，则是今年6月成立的超衍智能，由清华大学人工智能学院27岁助理教授陈勇超创立，同样将RSI作为核心技术路线，目标是打造具备持续研究和自我改进能力的基础模型。

众所周知，Recursive起步更早，资本和算力资源也更加充裕。今年5月，他们便宣布完成6.5亿美元融资，估值达到46.5亿美元。7月，Recursive又与AWS签署了一项总额达4.1亿美元的多年期算力合作协议，为大规模自动化研究提供基础设施支持。

这些资源对于RSI的探索尤为重要。AI提出研究假设，需要通过实验验证；实验产生新的发现，又需要进一步训练和评估。整个过程涉及大量算力消耗。资源越充足，通常意味着能够同时开展更多实验、探索更多方向，也有更大的空间容纳试错。在高度依赖算力的AI领域，这无疑是一项巨大的先发优势。

也正因如此，两家公司的首款模型表现，构成了一次很有意思的技术交锋。

实验结果表明在21项基准测试中，Apex-35B-V1.0对Recursive最新发布的Flint模型取得了18项领先、1项持平的成绩。

**一家成立仅四个月、算力和融资规模远小于美国对手的中国创业公司，第一款模型便在多数对比评测中跑赢了强大的竞争对手。**RSI的竞争已经开始从技术设想走向真实模型的能力较量，而中国团队已经成为这场全球竞赛中不可忽视的参与者。

这也让人更加期待超衍智能接下来的表现。毕竟，RSI最吸引人的地方，就是让AI参与模型研发，帮助团队更快地发现问题、验证新方法，再把成果用到下一代模型上。

如果这套方法能够持续发挥作用，资金和算力上的差距，就未必能决定最终的模型实力。

持续迭代的RSI循环，开始转动起来

事实上，让AI参与研究和技术研发，已经成为行业内一条越来越受关注的探索方向。目前，相关实践大致沿着两条路线展开。

一条是**AI for AI，侧重于让AI参与模型、算法和训练系统的研发，推动AI自身持续改进。**典型代表是Recursive的Eureka Machine，前文提到的Flint正是这条路线的产物。

另一条是**AI for all，让AI参与各个行业的研究，推动AI在科技创新中的应用。**AI巨头们已经做出了很多探索，比如Google DeepMind的AI Co-Scientist帮助研究人员生成、评估和改进科学假设，探索潜在研究方向；Anthropic的Claude Science将文献分析、多步研究、代码执行和计算资源调用整合到研究工作流中，Claude Code也展示了执行长程科学计算任务的潜力。

与此同时，一批垂直领域的创业公司也在尝试让AI参与专业研发。比如芯片设计初创公司ChipAgents利用Agent辅助芯片设计、调试与验证；材料发现公司CuspAI将生成式材料设计、高精度计算模拟与实验验证结合起来。

AI for AI可以说是狭义的RSI，AI for all则是广义的RSI。两条路线各有侧重，也不是平行的，而超衍智能希望把这两条路线结合起来。

为了让这套思路在模型研发中落地，并为后续拓展到更多研究与工程任务积累经验，团队构建了自动化研究系统Apex Research，并将其引入此次Apex-35B-V1.0的研发流程，覆盖训练数据构造、自动化实验、训练方案探索，以及GPU Kernel和推理优化等环节。

Apex Research如何参与模型研发？

Apex Research的具体工作可以分为以下三个方面：

**根据模型短板生成训练数据。**传统的模型训练通常需要研究人员先分析能力短板，再收集、筛选或标注相应的数据。Apex Research尝试将这一过程自动化，让AI根据评测反馈，找到模型需要补强的地方，并生成针对性的训练样本。以计算流体力学（CFD）为例，这套数据改进流程使模型在内部CFD-Bench上的成绩提升了32.1分，初步形成了从发现问题到定向补强的反馈闭环。

**根据实验反馈调整训练方案。**系统分析评测结果和智能体运行轨迹，寻找反复出现的失败模式。它发现了两个关键问题：过长的推理上下文会让模型「走神」，而失衡的数据配比则导致模型偏科。针对这些问题，系统探索了不同的序列长度分布、长短轨迹的采样比例，以及根据token数量调整训练批次的方式。最终，这些探索提升了智能体的可靠性和训练效率。

将自动化研究延伸到训练和推理基础设施。在训练侧，Apex Research参与优化多GPU之间的负载分配、通信与计算调度，减少设备等待时间，使训练吞吐量提升了45%至60%。在推理侧，系统围绕注意力计算、KV Cache管理，以及预填充和解码阶段的调度开展优化。在相近负载条件下，解码速度达到原来的1.6至1.8倍，首Token延迟降低了30%至35%。

每轮实验暴露的问题，都可以成为下一轮研究的起点；经过验证的有效改进，则进一步应用于训练数据、训练策略或底层系统，推动后续研发。

在这一过程中，超衍智能希望让AI逐步积累自主研究的能力，并将这些能力反过来用于下一代模型的研发，进一步拓展至数学、物理、机器人等跨学科领域。

让AI在研究中积累经验，再用这些经验推动自身进化，正是超衍智能构建RSI循环的核心思路。

上手做研究，真实任务见真章

研究任务远比常规问答复杂。模型不仅要理解专业知识，还要把知识转化为可执行的方案，处理实验中出现的问题，并根据反馈不断调整。最终的研究成果，也需要经得起客观指标的检验。

为了展示这方面的能力，超衍智能从计算科学、机器人仿真和AI for AI三个方向，提供了Apex-35B-V1.0参与研究任务的具体案例。

1. 计算流体力学，模型处理真实的计算科学问题。

计算流体力学（CFD）是一个很适合检验AI研究能力的领域。Apex-35B-V1.0展示了两类不同性质的CFD优化任务。

第一个是扑翼运动优化。该任务的难点在于，翼片的运动轨迹由32个傅里叶系数共同控制。调整其中一个参数，就有可能改变整个运动周期的表现。模型需要在这个高维参数空间中反复探索，通过仿真反馈寻找更优的运动方案。在这一组仿真工况中，Apex-35B-V1.0给出的方案的最高净推力达到0.164，高于GLM-5.3的0.150和基础Qwen模型的0.081。

**第二个是血管网络的出口参数分配。**这项任务可以理解为一道复杂的参数匹配题：给定一个拥有64个出口的血管网络，以及64组不同的阻力和顺应性参数，要求模型将这些参数合理分配到各个出口。

从实验结果来看，Apex-35B-V1.0给出的方案取得了更低的失配值，约为1.24×10⁻⁵，优于GLM-5.3的1.41×10⁻⁵以及基础Qwen模型的1.68×10⁻³。

在CFD-Bench评测中，以Qwen3.6-35B-A3B为共同基线，Apex-35B-V1.0取得了79%的胜率（79胜、0平、21负），展示出较强的计算科学任务处理能力。

2. 机器人仿真，在试错中学会调整

机器人任务的一大难点在于持续与环境交互。模型很难一次性规划好所有动作，而是需要在执行过程中不断观察环境、判断结果，并根据反馈调整下一步行动。Apex-35B-V1.0在两个机器人评测基准上展示了这方面的能力。

**首先是RoboRSI，该基准主要考察机器人编程智能体执行任务和采集轨迹的能力。**团队展示了五项任务，包括堆叠积木、按大小排列积木、移动T形积木，以及在干扰物存在的情况下完成同样的搬运任务。还有一项更加有趣的挑战：把杯子里的红色小球倒进垃圾桶。

**Real2Sim则把挑战转向了场景重建：让模型根据真实环境中的观察信息，在虚拟世界里搭建对应的仿真场景。**这里展示了六组场景，将真实参考画面、基础Qwen模型和Apex-35B-V1.0的重建