Apex Intelligence lanza un modelo de 35B después de cuatro meses y pone el foco en la investigación impulsada por IA

La empresa china Apex Intelligence ha lanzado Apex-35B-V1.0, un modelo generalista de 35.000 millones de parámetros desarrollado mediante investigación automatizada con IA, según informaciones de 巴士的報 y Pandaily. El lanzamiento llega aproximadamente cuatro meses después de la fundación de la empresa, según BigGo Finance, y sitúa a un laboratorio chino de reciente creación en un mercado de modelos muy competitivo, con un énfasis distintivo en la automatización de la investigación.

El lanzamiento destaca menos por un resultado de referencia divulgado que por el método de desarrollo que presenta la empresa. Apex Intelligence describe el modelo como el producto de sistemas de IA que ayudan en la investigación, mientras que el cofundador o ejecutivo Chen Yongchao ha sostenido que la automejora de la IA sigue limitada por un problema al que denomina «gusto». El comentario apunta a una pregunta más amplia para los desarrolladores de modelos: ¿pueden los sistemas automatizados de investigación decidir de forma fiable qué ideas merece la pena perseguir, o solo pueden optimizar objetivos que los humanos ya han definido?

Dado que el material disponible consiste en títulos y resúmenes de artículos, y no en documentación técnica completa, no ha sido posible confirmar de forma independiente, a partir de las pruebas proporcionadas, detalles como la licencia del modelo, los datos de entrenamiento, los requisitos de inferencia, los resultados de evaluación y la disponibilidad.

Qué lanzó Apex Intelligence

El producto central es Apex-35B-V1.0, descrito por 巴士的報 como un modelo generalista y por Pandaily como un modelo basado en Qwen3.6 creado con agentes de investigación de IA. Las dos descripciones establecen el nombre, la escala aproximada y el linaje declarado del modelo, pero no ofrecen una especificación técnica completa.

Un modelo de 35B se encuentra en un rango de tamaño relevante para los equipos que equilibran capacidad y coste de servicio. En la práctica, la utilidad de un modelo de esta escala depende de factores que no se han revelado en el material de origen: opciones de cuantización, longitud de contexto, requisitos de hardware, latencia, compatibilidad con herramientas y rendimiento en programación, razonamiento, tareas multilingües y tareas específicas de cada dominio.

La falta de esta información importa para los posibles usuarios. El lanzamiento de un modelo puede ser importante para los investigadores y, al mismo tiempo, difícil de adoptar para las empresas si la documentación de implementación, las pruebas de seguridad y las condiciones comerciales no están claras. Por ahora, la noticia confirmada es el lanzamiento y el posicionamiento de la empresa en torno a la investigación automatizada, no una ventaja demostrada frente a modelos consolidados.

La investigación automatizada es la historia del producto

El principal elemento diferenciador de la cobertura no es simplemente que Apex Intelligence haya lanzado otro modelo de lenguaje. Es que la empresa afirma que el modelo se creó con agentes de investigación de IA o investigación automatizada con IA. La descripción de Pandaily vincula específicamente Apex-35B-V1.0 con Qwen3.6 y agentes de investigación de IA, mientras que el titular de 巴士的報 destaca la investigación automatizada con IA.

La expresión puede abarcar varias actividades, como la planificación de experimentos, la generación de código, la preparación de datos, la evaluación, la revisión bibliográfica y la iteración de las recetas de entrenamiento. Las pruebas proporcionadas no establecen cuáles de estas funciones utilizó Apex Intelligence, cuánta autonomía tenían los sistemas ni cómo los supervisaban los investigadores humanos. Estas diferencias son importantes, porque un agente que automatiza experimentos rutinarios es sustancialmente distinto de uno que propone y valida nuevos métodos de entrenamiento de modelos.

Para los desarrolladores de IA, el anuncio refleja un cambio en la competencia: de la arquitectura del modelo por sí sola hacia los sistemas utilizados para crear modelos. La automatización de la investigación podría ayudar a equipos pequeños a realizar más experimentos con personal limitado, pero también crea nuevos modos de fallo. Un agente puede optimizar un benchmark estrecho, seleccionar pruebas engañosas o repetir a gran velocidad una dirección de investigación plausible pero improductiva. Por tanto, la evaluación fiable y la revisión humana siguen siendo fundamentales aunque el ciclo de investigación esté parcialmente automatizado.

El problema del «gusto» de Chen Yongchao

BigGo Finance presenta el lanzamiento en torno a un comentario de Chen Yongchao según el cual la automejora de la IA está estancada por el «gusto». En este contexto, el gusto parece referirse al criterio: reconocer qué pregunta de investigación es valiosa, qué resultado es significativo y qué supuesta mejora no es más que ruido o sobreajuste al benchmark.

Esta distinción es importante. Los sistemas automatizados suelen ser buenos buscando dentro de un objetivo, pero el propio objetivo puede estar incompleto. Un agente de investigación puede generar más experimentos candidatos y, aun así, tener dificultades para identificar un problema útil, sopesar pruebas contradictorias o entender por qué un resultado importa fuera del entorno de prueba. No son solo problemas de ingeniería, sino también de selección e interpretación.

El comentario también pone un límite a las afirmaciones más ambiciosas sobre la automejora de la IA. Si los sistemas pueden automatizar partes de la experimentación, pero no elegir de forma coherente direcciones de alto valor, el resultado puede ser una iteración más rápida, no un progreso científico independiente. La observación de Chen es una opinión de un ejecutivo o investigador recogida por BigGo Finance, no una medición independiente y verificada de las capacidades actuales de la IA.

Implicaciones para los equipos de modelos y los compradores

Para los desarrolladores de modelos, el lanzamiento de Apex Intelligence destaca el posible valor de crear agentes internos de investigación de IA alrededor del proceso de entrenamiento. Estos sistemas podrían reducir el tiempo dedicado a experimentos repetitivos y hacer más competitivos a los equipos pequeños. Sin embargo, el valor dependerá de la reproducibilidad, el seguimiento de experimentos, la calidad de la evaluación y la capacidad de detectar cuándo un proceso automatizado está optimizando el objetivo equivocado.

Para los compradores empresariales, la pregunta inmediata no es si Apex-35B-V1.0 se produjo con agentes de investigación de IA. Es si el modelo resultante es fiable para un flujo de trabajo concreto. Antes de plantearse su uso en producción, los compradores necesitarían pruebas sobre privacidad, opciones de implementación, comportamiento del modelo, integración con herramientas, controles de seguridad y coste total del servicio.

El lanzamiento también podría aumentar la presión sobre los laboratorios grandes y los desarrolladores de modelos abiertos para que expliquen qué parte de sus propios procesos de investigación está automatizada. Sin embargo, la cobertura disponible no demuestra que Apex Intelligence haya superado a los modelos competidores, logrado una adopción amplia o introducido un nuevo método de entrenamiento. Cualquier conclusión de ese tipo iría más allá de las pruebas disponibles actualmente.

Qué observar a continuación

Las próximas señales relevantes serán técnicas y operativas. La documentación de Apex Intelligence debería aclarar si Apex-35B-V1.0 se puede descargar, bajo qué licencia puede utilizarse y qué hardware requiere. Serán necesarias evaluaciones independientes para probar su rendimiento en programación, razonamiento, tareas multilingües y seguimiento de instrucciones, en lugar de depender del posicionamiento del lanzamiento.

Los investigadores también deberían buscar información sobre los propios agentes de investigación de IA: qué tareas realizaron, qué supervisión humana permaneció en el circuito, cómo se seleccionaron los experimentos y si el proceso produjo mejoras que equipos externos puedan reproducir. También será importante cómo gestiona la empresa la evaluación de seguridad y las actualizaciones del modelo.

Por último, las señales de adopción deben tratarse con cautela. Los informes proporcionados no verifican clientes, volumen de uso ni integración en productos comerciales. Esos detalles ofrecerían una indicación más clara de si la investigación automatizada con IA es una ventaja práctica o principalmente una narrativa de desarrollo.

Perspectiva de Creati.ai

El lanzamiento de Apex Intelligence es una señal temprana de que las empresas de modelos podrían competir no solo mediante el número de parámetros y los resultados de benchmarks, sino también mediante la productividad de los sistemas de investigación que hay detrás. Esto podría ser especialmente importante para los laboratorios nuevos si la experimentación automatizada permite a equipos pequeños explorar más opciones con menos recursos.

El problema del «gusto» es la conclusión más importante. Experimentar más rápido no produce automáticamente una investigación mejor, y la capacidad de un agente de IA para generar o probar ideas no equivale a su capacidad para juzgar su importancia. Apex-35B-V1.0 será más fácil de evaluar cuando la empresa publique pruebas técnicas reproducibles, detalles de implementación y resultados independientes.