Apex Intelligence lance un modèle de 35B après quatre mois et met l’accent sur la recherche pilotée par l’IA

La société chinoise Apex Intelligence a lancé Apex-35B-V1.0, un modèle généraliste de 35 milliards de paramètres développé grâce à une recherche automatisée par IA, selon des articles de 巴士的報 et Pandaily. Le lancement intervient environ quatre mois après la création de l’entreprise, d’après BigGo Finance, et place un nouveau laboratoire chinois d’IA sur un marché des modèles déjà très concurrentiel, avec un accent particulier sur l’automatisation de la recherche.

La publication est remarquable moins par un résultat de benchmark communiqué que par la méthode de développement présentée par l’entreprise. Apex Intelligence décrit le modèle comme le produit de systèmes d’IA qui assistent la recherche, tandis que le cofondateur ou dirigeant Chen Yongchao a affirmé que l’auto-amélioration de l’IA reste limitée par un problème qu’il appelle le « goût ». Cette remarque renvoie à une question plus large pour les concepteurs de modèles : les systèmes de recherche automatisés peuvent-ils décider de manière fiable quelles idées méritent d’être poursuivies, ou peuvent-ils seulement optimiser des objectifs déjà définis par les humains ?

Comme les sources disponibles se limitent à des titres et résumés d’articles plutôt qu’à une documentation technique complète, des éléments tels que la licence du modèle, les données d’entraînement, les besoins d’inférence, les résultats d’évaluation et la disponibilité n’ont pas pu être confirmés indépendamment à partir des éléments fournis.

Ce qu’Apex Intelligence a publié

Le produit central est Apex-35B-V1.0, décrit par 巴士的報 comme un modèle généraliste et par Pandaily comme un modèle basé sur Qwen3.6, développé avec des agents de recherche en IA. Les deux descriptions établissent le nom du modèle, son échelle approximative et sa filiation revendiquée, mais ne fournissent pas une spécification technique complète.

Un modèle de 35B se situe dans une gamme de taille qui peut intéresser les équipes cherchant à équilibrer capacité et coût de déploiement. En pratique, l’utilité d’un modèle de cette taille dépend de facteurs absents des sources : options de quantification, longueur du contexte, besoins matériels, latence, prise en charge des outils et performances en programmation, raisonnement, tâches multilingues et tâches propres à certains domaines.

Ces informations manquantes sont importantes pour les utilisateurs potentiels. Une sortie de modèle peut être importante pour les chercheurs tout en restant difficile à adopter par les entreprises si la documentation de déploiement, les tests de sécurité et les conditions commerciales ne sont pas clairs. Pour l’instant, les faits confirmés sont la publication elle-même et le positionnement de l’entreprise autour de la recherche automatisée, et non un avantage démontré par rapport aux modèles établis.

La recherche automatisée au cœur du récit produit

Le principal élément différenciateur de la couverture n’est pas simplement qu’Apex Intelligence a publié un autre modèle de langage. C’est que l’entreprise affirme que le modèle a été construit avec des agents de recherche en IA ou de la recherche automatisée par IA. La description de Pandaily relie précisément Apex-35B-V1.0 à Qwen3.6 et aux agents de recherche en IA, tandis que le titre de 巴士的報 met l’accent sur la recherche automatisée par IA.

L’expression peut recouvrir plusieurs activités : planification d’expériences, génération de code, préparation des données, évaluation, revue de la littérature et itération sur les recettes d’entraînement. Les éléments fournis ne permettent pas d’établir lesquelles de ces fonctions Apex Intelligence a utilisées, quel degré d’autonomie les systèmes possédaient ni comment les chercheurs humains les supervisaient. Ces distinctions sont importantes, car un agent qui automatise des expériences routinières est très différent d’un agent qui propose et valide de nouvelles méthodes d’entraînement des modèles.

Pour les développeurs d’IA, l’annonce reflète un déplacement de la concurrence : de l’architecture des modèles seule vers les systèmes utilisés pour créer ces modèles. L’automatisation de la recherche pourrait aider de petites équipes à mener davantage d’expériences avec peu de personnel, mais elle crée aussi de nouveaux modes d’échec. Un agent peut optimiser un benchmark étroit, sélectionner des éléments trompeurs ou répéter rapidement une orientation de recherche plausible mais improductive. Une évaluation fiable et un contrôle humain restent donc essentiels, même lorsque la boucle de recherche est partiellement automatisée.

Le problème du « goût » selon Chen Yongchao

BigGo Finance présente le lancement autour d’une remarque de Chen Yongchao selon laquelle l’auto-amélioration de l’IA est bloquée par le « goût ». Dans ce contexte, le goût semble désigner le jugement : reconnaître quelle question de recherche est utile, quel résultat est significatif et quelle amélioration apparente n’est que du bruit ou du surapprentissage au benchmark.

Cette distinction est importante. Les systèmes automatisés sont généralement performants pour explorer un objectif, mais l’objectif lui-même peut être incomplet. Un agent de recherche peut produire davantage d’expériences candidates tout en ayant du mal à identifier un problème utile, à pondérer des éléments contradictoires ou à comprendre pourquoi un résultat compte en dehors de l’environnement de test. Il ne s’agit pas seulement de problèmes d’ingénierie, mais aussi de sélection et d’interprétation.

Cette remarque impose également une limite aux affirmations les plus ambitieuses sur l’auto-amélioration de l’IA. Si les systèmes peuvent automatiser certaines étapes de l’expérimentation sans parvenir à choisir systématiquement des orientations à forte valeur, le résultat pourrait être une itération plus rapide plutôt qu’un progrès scientifique indépendant. L’observation de Chen est un point de vue d’un dirigeant ou d’un chercheur rapporté par BigGo Finance, et non une mesure indépendante et vérifiée des capacités actuelles de l’IA.

Implications pour les équipes de modèles et les acheteurs

Pour les développeurs de modèles, la publication d’Apex Intelligence souligne l’intérêt potentiel de construire des agents internes de recherche en IA autour de la chaîne d’entraînement. Ces systèmes pourraient réduire le temps consacré aux expériences répétitives et rendre les petites équipes plus compétitives. Leur valeur dépendra toutefois de la reproductibilité, du suivi des expériences, de la qualité de l’évaluation et de la capacité à détecter lorsqu’un processus automatisé optimise la mauvaise cible.

Pour les acheteurs professionnels, la question immédiate n’est pas de savoir si Apex-35B-V1.0 a été produit avec des agents de recherche en IA. Il faut déterminer si le modèle obtenu est fiable pour un flux de travail donné. Avant d’envisager une utilisation en production, les acheteurs auraient besoin de preuves concernant la confidentialité, les options de déploiement, le comportement du modèle, l’intégration des outils, les contrôles de sécurité et le coût total de service.

Le lancement pourrait également accroître la pression sur les grands laboratoires et les développeurs de modèles ouverts afin qu’ils expliquent quelle part de leur propre chaîne de recherche est automatisée. Cependant, la couverture disponible ne montre pas qu’Apex Intelligence a dépassé les modèles concurrents, obtenu une adoption large ou introduit une nouvelle méthode d’entraînement. Toute conclusion de ce type irait au-delà des éléments actuellement disponibles.

Ce qu’il faudra surveiller

Les prochains signaux significatifs seront techniques et opérationnels. La documentation d’Apex Intelligence devrait préciser si Apex-35B-V1.0 est téléchargeable, sous quelle licence il peut être utilisé et quel matériel est nécessaire. Des évaluations indépendantes seront nécessaires pour tester ses performances en programmation, raisonnement, tâches multilingues et suivi des instructions, plutôt que de se fier au positionnement du lancement.

Les chercheurs devraient également rechercher des informations sur les agents de recherche en IA eux-mêmes : quelles tâches ils ont effectuées, quelle supervision humaine est restée dans la boucle, comment les expériences ont été sélectionnées et si le processus a produit des améliorations reproductibles par des équipes externes. La manière dont l’entreprise gère l’évaluation de la sécurité et les mises à jour du modèle sera tout aussi importante.

Enfin, les signes d’adoption doivent être interprétés avec prudence. Les rapports fournis ne vérifient ni les clients, ni le volume d’utilisation, ni l’intégration à des produits commerciaux. Ces détails indiqueraient plus clairement si la recherche automatisée par IA constitue un avantage pratique ou principalement un récit de développement.

Le point de vue de Creati.ai

Le lancement d’Apex Intelligence est un premier signal indiquant que les entreprises de modèles pourraient se concurrencer non seulement sur le nombre de paramètres et les scores de benchmark, mais aussi sur la productivité des systèmes de recherche qui les sous-tendent. Cela pourrait être particulièrement important pour les nouveaux laboratoires si l’expérimentation automatisée permet à de petites équipes d’explorer davantage d’options avec moins de ressources.

Le problème du « goût » est la conclusion la plus importante. Expérimenter plus rapidement ne produit pas automatiquement de meilleures recherches, et la capacité d’un agent d’IA à générer ou tester des idées n’est pas équivalente à sa capacité à en juger l’importance. Apex-35B-V1.0 sera plus facile à évaluer lorsque l’entreprise publiera des éléments techniques reproductibles, des informations de déploiement et des résultats indépendants.