Китайский стартап Apex Intelligence, основанный в июне 2026 года, представил свою первую модель, Apex-35B-V1.0, 28 октября. Веса этой модели доступны на платформе Hugging Face. Модель базируется на Qwen3.6-35B-A3B от Alibaba и была дополнительно доработана посредством промежуточного и последующего обучения, направленного на задачи кодирования, рабочих процессов агентов, общие задачи, а также исследования в области искусственного интеллекта, вычислительной науки и симуляции робототехники.
Основной акцент компании делается не столько на размере модели, сколько на методах ее создания. Apex Intelligence утверждает, что ее автоматизированная исследовательская система, получившая название Apex Research, участвовала в генерации обучающих данных, проведении экспериментов, разработке плана обучения, а также в оптимизации ядер GPU и системы инференса.
В качестве примера компания привела случай, когда Apex Research обнаружила слабость модели в задачах вычислительной гидродинамики. Система проанализировала причины недостатков в рассуждениях модели, затем сгенерировала и проверила новые обучающие данные, которые были использованы в дальнейшем обучении. Согласно внутреннему тестированию компании, этот цикл позволил повысить показатель CFD-Bench модели на 32,1 пункта. Кроме того, Apex Intelligence сообщает, что оптимизация, управляемая ИИ, увеличила пропускную способность обучения на 45% до 60% и ускорила декодирование в 1,6–1,8 раза.
Все результаты бенчмаркинга, опубликованные с выпуском, получены в результате собственной оценки компании. На основании этих данных Apex Intelligence заявляет, что Apex-35B-V1.0 превосходит как Qwen3.6-35B-A3B, так и Flint от Recursive SuperIntelligence во всех шести представленных исследовательских бенчмарках. Модель также показывает лучшие результаты, чем GLM-5.3 на тестах FrontierScience и PaperBench, превосходит DeepSeek-V4.1-Flash-1017 в разделении BioMysteryBench, сложном для человека, и демонстрирует самый высокий балл BFCL V4 среди сравниваемых моделей.
В двух робототехнических испытаниях, RoboRSI и Real2Sim, модель показала результаты 44,5 и 21,55 соответственно, что близко к показателям более крупной модели GLM-5.3-Flash (52,4 и 21,4).
Тест Real2Sim требует от модели восстановления работающей физической симуляции по одной фотографии: необходимо идентифицировать объекты, выбрать симуляционные ресурсы с аналогичными визуальными и физическими характеристиками и воссоздать их расположение для тестирования действий робота. RoboRSI оценивает способность модели управлять симулированными роботами путем написания и корректировки кода на основе визуальной обратной связи.
Компания была основана Чэнь Юнчао, доцентом Колледжа ИИ Университета Цинхуа. Он описывает эту работу как рекурсивное самосовершенствование — концепцию, при которой системы ИИ помогают создавать своих преемников. В беседе с Tencent Technology он отметил, что ИИ добился явного прогресса в выполнении исследований, однако ему все еще не хватает «исследовательского вкуса», то есть способности определять, какие проблемы стоят того, чтобы ими заниматься.
