A startup chinesa Apex Intelligence, fundada em junho de 2026, apresentou seu primeiro modelo, Apex-35B-V1.0, em 28 de outubro. Os pesos deste modelo estão disponíveis na plataforma Hugging Face. O modelo é baseado no Qwen3.6-35B-A3B da Alibaba e foi adicionalmente refinado através de treinamento intermediário e subsequente, focado em tarefas de codificação, fluxos de trabalho de agentes, tarefas gerais, bem como pesquisa em inteligência artificial, ciência computacional e simulação de robótica.
O foco principal da empresa não está tanto no tamanho do modelo, mas sim nos métodos de sua criação. A Apex Intelligence afirma que seu sistema de pesquisa automatizado, denominado Apex Research, participou na geração de dados de treinamento, na condução de experimentos, no desenvolvimento do plano de treinamento e na otimização dos núcleos de GPU e do sistema de inferência.
Como exemplo, a empresa citou um caso em que o Apex Research descobriu uma fraqueza do modelo em tarefas de dinâmica de fluidos computacional (CFD). O sistema analisou as causas das deficiências no raciocínio do modelo, em seguida, gerou e verificou novos dados de treinamento que foram usados no treinamento posterior. De acordo com testes internos da empresa, este ciclo permitiu aumentar o indicador CFD-Bench do modelo em 32,1 pontos. Além disso, a Apex Intelligence relata que a otimização gerenciada por IA aumentou a taxa de transferência de treinamento em 45% a 60% e acelerou a decodificação em 1,6 a 1,8 vezes.
Todos os resultados de benchmarking publicados com o lançamento foram obtidos por meio de avaliação própria da empresa. Com base nesses dados, a Apex Intelligence declara que o Apex-35B-V1.0 supera tanto o Qwen3.6-35B-A3B quanto o Flint da Recursive SuperIntelligence em todos os seis benchmarks de pesquisa apresentados. O modelo também apresenta melhores resultados do que o GLM-5.3 nos testes FrontierScience e PaperBench, supera o DeepSeek-V4.1-Flash-1017 na divisão BioMysteryBench, difícil para humanos, e demonstra a pontuação BFCL V4 mais alta entre os modelos comparados.
Em dois testes de robótica, RoboRSI e Real2Sim, o modelo obteve resultados de 44,5 e 21,55, respectivamente, próximos aos resultados do modelo maior GLM-5.3-Flash (52,4 e 21,4).
O teste Real2Sim exige que o modelo restaure uma simulação física funcional a partir de uma única fotografia: é necessário identificar objetos, selecionar recursos de simulação com características visuais e físicas semelhantes e recriar seu arranjo para testar ações de robô. O RoboRSI avalia a capacidade do modelo de controlar robôs simulados escrevendo e corrigindo código com base em feedback visual.
A empresa foi fundada por Chen Yunchao, docente do College de IA da Universidade Tsinghua. Ele descreve este trabalho como autoaperfeiçoamento recursivo — um conceito no qual sistemas de IA ajudam a criar seus sucessores. Em uma conversa com a Tencent Technology, ele observou que a IA alcançou um progresso claro na realização de pesquisas, mas ainda lhe falta 'bom gosto de pesquisa', ou seja, a capacidade de determinar quais problemas valem a pena investigar.