Apex Intelligence veröffentlicht nach vier Monaten ein 35B-Modell und rückt KI-gestützte Forschung in den Fokus

Das chinesische Unternehmen Apex Intelligence hat Apex-35B-V1.0 veröffentlicht, ein allgemeines Modell mit 35 Milliarden Parametern, das mithilfe automatisierter KI-Forschung entwickelt wurde, wie 巴士的報 und Pandaily berichten. Die Veröffentlichung erfolgt laut BigGo Finance etwa vier Monate nach der Gründung des Unternehmens und bringt ein neu gegründetes chinesisches KI-Labor in einen bereits dicht besetzten Modellmarkt – mit einem besonderen Schwerpunkt auf der Automatisierung von Forschung.

Bemerkenswert ist die Veröffentlichung weniger wegen eines bekannt gegebenen Benchmark-Ergebnisses als wegen der von dem Unternehmen präsentierten Entwicklungsmethode. Apex Intelligence beschreibt das Modell als Ergebnis von KI-Systemen, die bei der Forschung helfen. Mitbegründer oder Führungskraft Chen Yongchao argumentierte zudem, dass die Selbstverbesserung von KI weiterhin durch ein Problem begrenzt werde, das er als „Geschmack“ bezeichnet. Die Aussage verweist auf eine umfassendere Frage für Modellentwickler: Können automatisierte Forschungssysteme zuverlässig entscheiden, welche Ideen verfolgt werden sollten, oder können sie nur Ziele optimieren, die Menschen bereits definiert haben?

Da die verfügbaren Quellen aus Artikeltiteln und Zusammenfassungen statt aus vollständiger technischer Dokumentation bestehen, konnten Angaben zur Lizenz des Modells, zu Trainingsdaten, Inferenzanforderungen, Evaluationsergebnissen und Verfügbarkeit anhand der vorgelegten Belege nicht unabhängig bestätigt werden.

Was Apex Intelligence veröffentlicht hat

Das zentrale Produkt ist Apex-35B-V1.0, das von 巴士的報 als allgemeines Modell und von Pandaily als auf Qwen3.6 basierendes Modell beschrieben wird, das mit KI-Forschungsagenten entwickelt wurde. Die beiden Beschreibungen bestätigen den Namen, die ungefähre Größe und die behauptete Abstammung des Modells, liefern jedoch keine vollständige technische Spezifikation.

Ein 35B-Modell liegt in einem Größenbereich, der für Teams relevant sein kann, die Leistungsfähigkeit und Bereitstellungskosten gegeneinander abwägen. In der Praxis hängt der Nutzen eines Modells dieser Größenordnung von Faktoren ab, die in den Quellen nicht offengelegt werden: Quantisierungsoptionen, Kontextlänge, Hardwareanforderungen, Latenz, Unterstützung für Tool-Nutzung sowie die Leistung bei Programmierung, Schlussfolgerungen, Mehrsprachigkeit und domänenspezifischen Aufgaben.

Diese fehlenden Informationen sind für potenzielle Nutzer wichtig. Eine Modellveröffentlichung kann für Forschende bedeutend sein, aber für Unternehmen schwer einsetzbar bleiben, wenn Bereitstellungsdokumentation, Sicherheitstests und kommerzielle Bedingungen unklar sind. Bestätigt ist derzeit die Veröffentlichung selbst und die Positionierung des Unternehmens rund um automatisierte Forschung – nicht ein nachgewiesener Vorteil gegenüber etablierten Modellen.

Automatisierte Forschung als Produktgeschichte

Der stärkste Unterschied in der Berichterstattung besteht nicht einfach darin, dass Apex Intelligence ein weiteres Sprachmodell veröffentlicht hat. Entscheidend ist, dass das Unternehmen sagt, das Modell sei mit KI-Forschungsagenten beziehungsweise automatisierter KI-Forschung entwickelt worden. Die Beschreibung von Pandaily verknüpft Apex-35B-V1.0 ausdrücklich mit Qwen3.6 und KI-Forschungsagenten, während die Überschrift von 巴士的報 die automatisierte KI-Forschung hervorhebt.

Der Begriff kann verschiedene Aktivitäten umfassen, darunter Versuchsplanung, Codegenerierung, Datenaufbereitung, Evaluation, Literaturrecherche und die schrittweise Verbesserung von Trainingsrezepten. Aus den vorliegenden Belegen geht nicht hervor, welche dieser Funktionen Apex Intelligence eingesetzt hat, wie autonom die Systeme waren oder wie menschliche Forschende sie überwachten. Diese Unterschiede sind wichtig, denn ein Agent, der routinemäßige Experimente automatisiert, unterscheidet sich erheblich von einem Agenten, der neue Methoden zum Modelltraining vorschlägt und validiert.

Für KI-Entwickler spiegelt die Ankündigung eine Verschiebung des Wettbewerbs wider: weg von der Modellarchitektur allein und hin zu den Systemen, mit denen Modelle entwickelt werden. Forschungsautomatisierung könnte kleineren Teams helfen, mit begrenztem Personal mehr Experimente durchzuführen, schafft aber auch neue Fehlerquellen. Ein Agent könnte einen engen Benchmark optimieren, irreführende Belege auswählen oder eine plausibel klingende, aber unproduktive Forschungsrichtung mit hoher Geschwindigkeit wiederholen. Zuverlässige Evaluation und menschliche Überprüfung bleiben daher zentral, selbst wenn der Forschungszyklus teilweise automatisiert ist.

Chen Yongchaos „Geschmacksproblem“

BigGo Finance stellt die Veröffentlichung in den Zusammenhang einer Äußerung von Chen Yongchao, wonach die Selbstverbesserung von KI an „Geschmack“ feststecke. In diesem Kontext scheint „Geschmack“ für Urteilsvermögen zu stehen: zu erkennen, welche Forschungsfrage wertvoll ist, welches Ergebnis Bedeutung hat und welche scheinbare Verbesserung lediglich Rauschen oder eine Überanpassung an Benchmarks darstellt.

Diese Unterscheidung ist entscheidend. Automatisierte Systeme können im Allgemeinen gut innerhalb eines Ziels suchen, doch das Ziel selbst kann unvollständig sein. Ein Forschungsagent kann mehr Kandidaten für Experimente hervorbringen, aber weiterhin Schwierigkeiten haben, ein nützliches Problem zu erkennen, widersprüchliche Belege abzuwägen oder zu verstehen, warum ein Ergebnis außerhalb der Testumgebung relevant ist. Das sind nicht nur technische Probleme, sondern auch Probleme der Auswahl und Interpretation.

Die Äußerung setzt zudem eine Grenze für besonders weitreichende Behauptungen über die Selbstverbesserung von KI. Wenn Systeme Teile des Experimentierens automatisieren können, aber nicht zuverlässig wertvolle Richtungen auswählen, ist das Ergebnis möglicherweise schnellere Iteration statt unabhängigen wissenschaftlichen Fortschritts. Chens Beobachtung ist eine von BigGo Finance berichtete Sichtweise einer Führungskraft oder eines Forschers und keine unabhängig verifizierte Messung der aktuellen KI-Fähigkeiten.

Auswirkungen auf Modellteams und Käufer

Für Modellentwickler unterstreicht die Veröffentlichung von Apex Intelligence den möglichen Wert interner KI-Forschungsagenten rund um die Trainingspipeline. Solche Systeme könnten den Zeitaufwand für repetitive Experimente verringern und kleinere Teams wettbewerbsfähiger machen. Der Nutzen hängt jedoch von Reproduzierbarkeit, Experimentverfolgung, Evaluationsqualität und der Fähigkeit ab zu erkennen, wann ein automatisierter Prozess das falsche Ziel optimiert.

Für Unternehmenskäufer lautet die unmittelbare Frage nicht, ob Apex-35B-V1.0 mit KI-Forschungsagenten erstellt wurde. Entscheidend ist, ob das daraus entstandene Modell für einen bestimmten Arbeitsablauf zuverlässig ist. Vor einem Produktionseinsatz bräuchten Käufer Belege zu Datenschutz, Bereitstellungsoptionen, Modellverhalten, Tool-Integration, Sicherheitskontrollen und den gesamten Betriebskosten.

Die Veröffentlichung könnte außerdem den Druck auf größere Labore und Entwickler offener Modelle erhöhen, zu erklären, wie viel ihrer eigenen Forschungspipeline automatisiert ist. Die verfügbare Berichterstattung zeigt jedoch nicht, dass Apex Intelligence konkurrierende Modelle übertroffen, eine breite Akzeptanz erreicht oder eine neue Trainingsmethode eingeführt hat. Jede solche Schlussfolgerung würde über die derzeit verfügbaren Belege hinausgehen.

Worauf als Nächstes zu achten ist

Die nächsten aussagekräftigen Signale werden technischer und operativer Natur sein. Die Dokumentation von Apex Intelligence sollte klären, ob Apex-35B-V1.0 heruntergeladen werden kann, unter welcher Lizenz es genutzt werden darf und welche Hardware erforderlich ist. Unabhängige Evaluationen werden nötig sein, um die Leistung bei Programmierung, Schlussfolgerungen, Mehrsprachigkeit und Befolgung von Anweisungen zu prüfen, statt sich auf die Positionierung zum Start zu verlassen.

Forschende sollten außerdem nach Informationen über die KI-Forschungsagenten selbst suchen: Welche Aufgaben haben sie übernommen, welche menschliche Aufsicht blieb im Prozess, wie wurden Experimente ausgewählt und ob der Prozess Verbesserungen hervorbrachte, die von externen Teams reproduziert werden können. Ebenso wichtig wird der Umgang des Unternehmens mit Sicherheitsevaluationen und Modellaktualisierungen sein.

Schließlich sollten Akzeptanzsignale vorsichtig interpretiert werden. Die vorliegenden Berichte bestätigen weder Kunden noch Nutzungsvolumen oder die Integration in kommerzielle Produkte. Diese Angaben würden klarer zeigen, ob automatisierte KI-Forschung einen praktischen Vorteil darstellt oder vor allem eine Darstellung des Entwicklungsprozesses ist.

Die Perspektive von Creati.ai

Die Veröffentlichung von Apex Intelligence ist ein frühes Signal dafür, dass Modellunternehmen nicht nur über Parameterzahlen und Benchmark-Ergebnisse konkurrieren könnten, sondern auch über die Produktivität der dahinterstehenden Forschungssysteme. Das könnte für neue Labore erheblich sein, wenn automatisierte Experimente kleinen Teams ermöglichen, mit weniger Ressourcen mehr Optionen zu erkunden.

Das „Geschmacksproblem“ ist die wichtigere Erkenntnis. Schnellere Experimente führen nicht automatisch zu besserer Forschung, und die Fähigkeit eines KI-Agenten, Ideen zu erzeugen oder zu testen, entspricht nicht seiner Fähigkeit, deren Bedeutung zu beurteilen. Apex-35B-V1.0 wird sich leichter bewerten lassen, sobald das Unternehmen reproduzierbare technische Belege, Angaben zur Bereitstellung und unabhängige Ergebnisse veröffentlicht.