最近看到一个有意思的开源模型:超衍智能的 Apex-35B-V1.0。它基于 Qwen3.6-35B-A3B继续训练,能做编程、Agent、问答和深度搜索。
我发现,它的研发过程也用上了自动化研究系统 Apex Research:寻找模型短板、补充训练数据、开展实验,参与优化训练方案和 GPU 内核,再把实验中验证有效的改进用于后续研发,形成递归自我改进(RSI)的循环。
这件事具体能做到哪一步?
①研究怎么教小模型玩推箱子
Apex-35B先花了4 小时研究训练方法,再用12 小时训练一个3B 小模型。在512 个没见过的关卡上,训练后的小模型通关率达到24.4%,高于基座模型。
AI 开始参与设计训练方法,并用测试结果检验效果。
② 跑流体仿真,反复调整方案
研究水中翼片怎么运动时,Apex-35B 能运行仿真、调整参数,寻找推力更大、驱动成本又能控制住的方案。
它在流体力学上的能力也经过针对性训练:Apex Research先找出模型容易出错的地方,再生成并验证相应训练数据。补充数据训练后,模型在内部流体力学评测 CFD-Bench 上提高了32.1 分。这里要注意,这是内部专项评测的结果。
③ 搭机器人仿真环境,调试控制代码
给它一张照片,它能把物体和摆放位置还原成仿真场景,让物体在里面运动、碰撞,为后续实验做准备。
在叠积木任务中,它会给仿真机器人编写控制代码,再根据画面反馈判断问题,修改代码后继续尝试。
我觉得,“AI 做科研”正在变得具体:训练小模型、跑仿真、写控制代码,以及参与自身研发中的实验和优化。
我期待的是,这套“找问题—做实验—验证改进”的流程持续运行后,每一轮积累的成果,能让后续模型进步多少。
项目开源地址:
github.com