allworld.mediaButun dunyo bo‘ylab yangiliklar
Apex Intelligence AI agentlari yordamida yaratilgan Qwen3.6 asosidagi Apex-35B-V1.0 modelini chiqardi
Batafsil
Pandaily
pandaily.com

Apex Intelligence AI agentlari yordamida yaratilgan Qwen3.6 asosidagi Apex-35B-V1.0 modelini chiqardi

Xitoy startapi Apex Intelligence 2026-yil iyun oyida tashkil etilgan boʻlib, 28-oktabrda oʻzining birinchi modeli boʻlgan Apex-35B-V1.0 ni taqdim etdi. Ushbu modelning vaznlari Hugging Face platformasida mavjud. Model Alibaba tomonidan ishlab chiqarilgan Qwen3.6-35B-A3B asosida qurilgan va kodlash, agentlar ish oqimlari, umumiy vazifalar, shuningdek sunʼiy intellekt, hisoblash fanlari va robototexnika simulyatsiyasi sohalaridagi tadqiqotlarga qaratilgan vositachilik va keyingi oʻqitish orqali qoʻshimcha ravishda takomillashtirildi.

Kompaniyaning asosiy eʼtibori modelning hajmi emas, balki uni yaratish usullari bilan bogʻliq. Apex Intelligence oʻzining avtomatlashtirilgan tadqiqot tizimi Apex Research nomli tizimining oʻquv maʼlumotlarini yaratish, tajribalar oʻtkazish, oʻquv rejasi ishlab chiqish, shuningdek GPU yadrolarini va inferensiya tizimini optimallashtirishda ishtirok etganini taʼkidlaydi.

Misol sifatida kompaniya Apex Research modellaridagi hisoblash gidrodinamikasi vazifalaridagi zaiflikni aniqlagan holatni keltirdi. Tizim modelning fikrlashdagi kamchiliklarning sabablarini tahlil qildi, soʻngra yangi oʻquv maʼlumotlarini yaratib, tekshirdi, ular keyingi oʻqitishda ishlatildi. Kompaniyaning ichki sinovlariga koʻra, bu sikl CFD-Bench modelining koʻrsatkichini 32,1 ballga oshirishga imkon berdi. Bundan tashqari, Apex Intelligence AI tomonidan boshqariladigan optimallashtirish oʻquv quvvatini 45% dan 60% gacha oshirgan va dekodlashni 1,6–1,8 baravar tezlashtirganini xabar qiladi.

Chiqarilgan paytdagi barcha benchmark natijalari kompaniyaning oʻz bahosi natijasida olingan. Ushbu maʼlumotlarga asoslanib, Apex Intelligence Apex-35B-V1.0 ning Qwen3.6-35B-A3B va Recursive SuperIntelligence ning Flint modelidan koʻrkamligini oltita taqdim etilgan tadqiqot benchmarklarida ham, GLM-5.3 dan FrontierScience va PaperBench testlarida ham yaxshiroq natijalar koʻrsatayotganini, inson uchun murakkab boʻlgan BioMysteryBench boʻlinmasida DeepSeek-V4.1-Flash-1017 dan ustun turishini va solishtirilayotgan modellardagi eng yuqori BFCL V4 ballini koʻrsatayotganini taʼkidlaydi.

Ikki robototexnika sinovida, RoboRSI va Real2Sim, model mos ravishda 44,5 va 21,55 natijalarini koʻrsatdi, bu GLM-5.3-Flash ning kattaroq modeli (52,4 va 21,4) koʻrsatgan natijalariga yaqin.

Real2Sim testi modeldan bitta fotosurat asosida ishlaydigan fizik simulyatsiyani tiklashni talab qiladi: obʼektlarni aniqlash, oʻxshash vizual va fizik xususiyatlarga ega simulyatsiya resurslarini tanlash va robot harakatlarini sinovdan oʻtkazish uchun ularning joylashuvini qayta yaratish kerak. RoboRSI esa modelning vizual qayta aloqa asosida kod yozish va tuzatish orqali simulyatsiya qilingan robotlarni boshqarish qobiliyatini baholaydi.

Kompaniya Tsinghua universiteti AI kollejining doʻstori Chen Yunchao tomonidan asos solingan. U bu ishni rekursiv oʻz-oʻzini takomillashtirish sifatida tasvirlaydi — bu yerda AI tizimlari oʻzining varislarini yaratishga yordam beradi. Tencent Technology bilan suhbatida u AI tadqiqotlarni bajarishda aniq taraqqiyotga erishganini, ammo unga hali ham qaysi muammolar bilan shugʻullanish arziydi, shuni aniqlash qobiliyati, yaʼni «tadqiqot lazzati» yetishmayotganini taʼkidladi.

Oʻxshash hikoyalar

Rock Matrix EdgeRock-4B niqobini taqdim etdi, bu KV keshining doimiy boʻlgan modeli Qwen3.5-4B ning xotira sarfini sezilarli darajada kamaytirdi
Batafsil
pandaily.com

Rock Matrix EdgeRock-4B niqobini taqdim etdi, bu KV keshining doimiy boʻlgan modeli Qwen3.5-4B ning xotira sarfini sezilarli darajada kamaytirdi

Rock Matrix Hong Kong Fanalar va Texnologiya universiteti hamda Carnegie Mellon universiteti bilan hamkorlikda EdgeRock-4B modelini ochiq manbaga chiqardi. Bu kichik til modeli kontekst uzunligidan qatʼi nazar, uning xotira sarfi doimiy qolishi bilan ajralib turadi.

EdgeRock-4B uchun asosiy model Alibaba tomonidan ishlab chiqarilgan Qwen3.5-4B hisoblanadi, bu maʼlumot GitHubdagi loyiha sahifasida va QbitAI maʼlumotlariga koʻra arXivdagi tegishli maqolada keltirilgan.

EdgeRock modeli boshidan oʻqitilmagan; jamoa Qwen3.5-4B ni bosqichma-bosqich konvertatsiya qildi. Hozirgi holatda, allaqachon doimiy hajmli holatni oʻz ichiga olgan 24 ta Gated DeltaNet qatlami saqlab qolindi. Shu bilan birga, odatda har bir oldingi token uchun kalit va qiymatlarni saqlaydigan 8 ta toʻliq diqqat qatlami harakatlanuvchi oynali diqqat mexanizmi bilan almashtirildi, bu esa oxirgi 1024 ta tokenni qamrab oladi.

Bu oynadan tashqariga chiqadigan maʼlumotlarni unutmaslik uchun ishlab chiquvchilar «Rock xotira janglantilari» (Rock Memory Anchors) ni joriy etishdi. Har bir KV boshlari guruhi uchun model 256 ta nomzod tokenlardan eng foydali 1024 tasini kichik janglantilar bankida saqlaydi.

Natijada, 256K kontekstda KV keshini 72 MB darajasida mustahkamlashga erishildi, bu Qwen3.5-4B talab qiladigan 8 GB ga nisbatan ulkan kamayishdir, yaʼni 99.1% ga kamayish. Ketma-ketlik uchun toʻliq holat 97.76 MB ni tashkil etadi.

80 GB quvvatli bitta Hopper grafik protsessorida ishlayotganda, EdgeRock 64 paket cheklovi ostida 12 124 token/sekund tezlikda 512 bir vaqtinchalik oqimni xizmat koʻrsatdi, bu Qwen3.5-4B ning koʻrsatkichi (1 889 token/sekund) dan 6,42 baravar yuqori. Maksimal xotira sarfi 61.26 GB ni tashkil etdi. Kirishda 128K va chiqishda 128K tokenlarni qayta ishlashda EdgeRock 233.7 token/sekund da barqaror tezlikni saqlab qoldi, shu paytda Qwen taxminan 169 dan 151.3 token/sekund gacha sekinlashdi. GPU ish vaqti kirishda 4K uchun Qwen vaqtining 24.9% gacha, 32K kirishda esa 15.6% gacha kamaydi.

Jamoa fikricha, aniqlikdagi kompromiss minimaldir. EdgeRock Qwen3.5-4B ning AIME ballining 96.3% va MATH-500 da 97.5% ni saqlab qoladi, uni 8 ta benchmark boʻyicha ustun qoʻyadi va vizual koʻrinish koʻrsatkichlarini 95.3% saqlab qoladi. 2024 yildan 2026 yilgacha boʻlgan davrda AIME boʻyicha uning oʻrtacha pass@1 koʻrsatkichi 82.9% ni tashkil etadi, bu cheklangan holatdagi eng kuchli sinovdan oʻtkazilgan model RWKV-7 G1j 13.3B ning 18.8% ga qaraganda yuqori. Bundan tashqari, u 29 ta matnli benchmarklardan 24 tasi boʻyicha cheklangan holatdagi modellar orasida birinchi oʻrinni egallaydi. Ablatsion tadqiqot jarayonida maʼlumot qidirish vazifasi janglantilar yordamida 94.1%, ular yoʻq boʻlsa 0.4% natija berdi.

Model vaznlari matn va tasvir kiritmalarini qabul qiladi va kvantlashtirilgan versiyalarda mavjud. Ular EdgeRock model litsenziyasi ostida chiqarilgan boʻlib, jamoa aʼzolariga koʻra, bu tijoratdan foydalanishga ruxsat beradi. Kattaroq versiyalar chiqarilishi rejalashtirilmoqda.

Mashhur