Apex Intelligence 成立四個月後推出 35B 模型，將 AI 驅動研究推上焦點

中國 Apex Intelligence 推出 Apex-35B-V1.0，這是一款透過自動化 AI 研究開發的 350 億參數通用模型，據 巴士的報 和 Pandaily 報導。根據 BigGo Finance 的說法，這次發布距離公司成立約四個月，讓一家新成立的中國 AI 實驗室以強調研究自動化的鮮明定位，進入競爭激烈的模型市場。

這次發布之所以受到關注，與其說是因為公開了某項基準測試結果，不如說是因為公司所展示的開發方式。Apex Intelligence 將該模型描述為協助研究的 AI 系統之產物，而聯合創辦人或高管 Chen Yongchao 則主張，AI 自我改進仍受一個他稱為「品味」的問題限制。這番評論指向模型開發者面臨的一個更廣泛問題：自動化研究系統能否可靠地判斷哪些想法值得追求，還是只能針對人類已經定義的目標進行最佳化？

由於目前可取得的資料是文章標題和摘要，而非完整的技術文件，因此模型授權、訓練資料、推理需求、評估結果和可用性等細節，無法根據所提供的證據獨立確認。

Apex Intelligence 發布了什麼

核心產品是 Apex-35B-V1.0。巴士的報 將其描述為通用模型，Pandaily 則稱其為一款以 Qwen3.6 為基礎、使用 AI 研究代理打造的模型。這兩項描述確認了模型名稱、大致規模和宣稱的血統，但沒有提供完整的技術規格。

35B 模型處於一個對需要在能力與服務成本之間取得平衡的團隊而言可能相當重要的規模。實際上，這種規模模型的實用性取決於來源資料未披露的因素，包括量化選項、上下文長度、硬體需求、延遲、工具使用支援，以及在程式設計、推理、多語言和特定領域任務上的表現。

這些缺失的資訊對潛在使用者相當重要。模型發布對研究人員而言可能具有意義，但如果部署文件、安全測試和商業條款不明確，企業仍可能難以採用。目前獲得確認的是模型本身的發布，以及公司圍繞自動化研究所作的定位，而不是相較於成熟模型的已證實優勢。

自動化研究是產品敘事的核心

報導中最強調的差異化因素，不只是 Apex Intelligence 又發布了一款語言模型，而是公司表示該模型是使用 AI 研究代理或自動化 AI 研究打造的。Pandaily 明確將 Apex-35B-V1.0 與 Qwen3.6 及 AI 研究代理連結，巴士的報 的標題則強調自動化 AI 研究。

這個說法可以涵蓋多種活動，包括實驗規劃、程式碼生成、資料準備、評估、文獻回顧，以及反覆改進訓練配方。現有證據無法說明 Apex Intelligence 使用了其中哪些功能、系統擁有多少自主性，或人類研究人員如何進行監督。這些差異很重要，因為自動化例行實驗的代理，與能夠提出並驗證新模型訓練方法的代理，存在實質差異。

對 AI 開發者而言，這項公告反映出競爭焦點正從單純的模型架構，轉向用來創建模型的系統。研究自動化可能讓小型團隊在有限人力下進行更多實驗，但也會帶來新的失敗模式。代理可能會最佳化狹窄的基準測試、選擇誤導性證據，或高速重複一個看似合理卻沒有生產力的研究方向。因此，即使研究循環部分自動化，可靠的評估和人類審查仍然是核心。

Chen Yongchao 的「品味」問題

BigGo Finance 將這次發布與 Chen Yongchao 的一項評論聯繫起來：AI 自我改進卡在「品味」上。在這個語境中，「品味」似乎是指判斷力，包括辨認哪些研究問題有價值、哪些結果具有意義，以及哪些看似改善的結果其實只是雜訊或基準測試過度擬合。

這項區分十分重要。自動化系統通常擅長在既定目標內搜尋，但目標本身可能並不完整。研究代理可以產生更多候選實驗，卻仍可能難以找出有用的問題、權衡互相衝突的證據，或理解某項結果為何在測試環境之外仍然重要。這些不只是工程問題，也是選擇與詮釋問題。

這項評論也為 AI 自我改進最宏大的說法設定了界限。如果系統能夠自動化部分實驗，卻無法持續選出高價值方向，那麼結果可能只是更快的迭代，而非獨立的科學進展。Chen 的觀察是 BigGo Finance 報導的一名高管或研究人員的觀點，而不是對目前 AI 能力的獨立驗證測量。

對模型團隊與買家的影響

對模型開發者來說，Apex Intelligence 的發布凸顯了圍繞訓練流程建立內部 AI 研究代理的潛在價值。這類系統可以減少重複實驗所耗費的時間，並提升小型團隊的競爭力。不過，其價值將取決於可重現性、實驗追蹤、評估品質，以及偵測自動化流程是否正在最佳化錯誤目標的能力。

對企業買家而言，眼前的問題不是 Apex-35B-V1.0 是否使用 AI 研究代理製造，而是最終模型對特定工作流程是否可靠。在考慮投入生產環境使用前，買家需要了解隱私、部署選項、模型行為、工具整合、安全控制和整體服務成本等方面的證據。

這次發布也可能加大對大型實驗室和開放模型開發者的壓力，要求他們說明自身研究流程有多少部分已經自動化。然而，現有報導並未顯示 Apex Intelligence 已超越競爭模型、實現廣泛採用，或引入新的訓練方法。任何這類結論都會超出目前可取得的證據。

接下來值得關注什麼

接下來有意義的訊號將來自技術與營運層面。Apex Intelligence 的文件應該說明 Apex-35B-V1.0 是否可下載、可依據哪項授權使用，以及需要什麼硬體。還需要獨立評估，以測試其程式設計、推理、多語言和指令遵循能力，而不是依賴發布時的定位。

研究人員也應關注 AI 研究代理本身的證據：它們執行了哪些任務、研究過程中保留了多少人類監督、實驗是如何選擇的，以及這個流程是否產生了外部團隊可以重現的改進。公司如何處理安全評估和模型更新，同樣十分重要。

最後，應謹慎看待採用訊號。所提供的報導並未確認客戶、使用量或與商業產品的整合情況。這些細節將更清楚地顯示，自動化 AI 研究究竟是實際優勢，還是主要是一種開發敘事。

Creati.ai 的觀點

Apex Intelligence 的發布是一項早期訊號，顯示模型公司未來可能不只透過參數數量和基準測試分數競爭，也會比較背後研究系統的生產力。如果自動化實驗能讓小型團隊用更少資源探索更多選項，這對新成立的實驗室可能相當重要。

「品味」問題是更重要的啟示。更快的實驗不會自動產生更好的研究，而 AI 代理能夠產生或測試想法，也不等於它能判斷想法的重要性。等到公司發布可重現的技術證據、部署細節和獨立結果後，Apex-35B-V1.0 才會更容易評估。