北京大模型公司超衍智能于10月28日晚发布并开源其首款模型Apex-35B-V1.0，模型权重采用Apache 2.0许可证开放，官方提供约72GB的BF16权重及不同精度的GGUF量化版本。该模型总参数量350亿，每个Token激活约30亿参数，支持26.2万Token上下文窗口，以Qwen3.6-35B-A3B为基础经中训练和后训练优化，覆盖编程、Agent、问答、深度搜索等常规任务，并延伸至AI研究、计算科学、机器人仿真等科研场景。

超衍智能成立于今年6月，核心方向是研究下一代自进化基础大模型（RSI）。创始人兼CEO陈勇超今年27岁，为清华大学人工智能学院助理教授，本科毕业于中国科学技术大学，拥有哈佛大学与麻省理工学院联合培养博士学位，曾在Google DeepMind、微软研究院等机构从事AI研究。截至今年9月，公司累计融资近4亿元，投资方包括IDG资本、星连资本、中关村科学城基金、深创投、上海未来产业基金。

这款模型最受关注之处，在于构建过程中AI自主参与了数据构造、实验设计、代码执行、训练结果分析和训练优化等环节。超衍智能公布了AI4AI-Bench的两项测试，展示模型优化其他模型训练方案的能力。在推箱子任务中，Apex-35B-V1.0为30亿参数的Qwen2.5-3B-Instruct制定训练方案，目标模型在512个未见关卡中成功率达到24.4%，是未经训练时11.7%参考成绩的两倍多。探索阶段模型共执行207次命令与代码编辑，团队从中识别出36项高质量研究与工程操作，其中15项关键决策影响了最终训练策略。

另一项测试针对图像生成模型Stable Diffusion 1.5的训练优化。经Apex-35B-V1.0调整方案微调后，该模型平均美学奖励得分从5.397提升至6.638，提升约23%。模型发现测试使用20步去噪而原实验采用默认50步，两种配置美学得分分别为5.499和5.487、差异较小，将去噪步数调至20步后单次实验耗时从1040秒缩短至551秒；同时调整训练轮数上限并引入按时间停止与检查点保存机制，使模型在预算内完成409轮训练。

自动化研究系统Apex Research也参与了新模型自身的研发。在计算流体力学（CFD）任务中，其生成的针对性训练数据使模型在内部CFD-Bench测试中成绩提高32.1分；在效率层面，相关优化使训练吞吐量提升45%—60%，推理解码速度提高至原来的1.6—1.8倍，首Token响应时间降低30%—35%。

基准测试方面，在超衍智能公布的21项测试中，Apex-35B-V1.0有20项超过基础模型Qwen3.6-35B-A3B；与约400亿参数的Recursive Flint相比，18项领先、1项持平。科研能力上，论文复现测试PaperBench得60.9分，高于Qwen3.6-35B-A3B的45.8分和总参数7530亿的GLM-5.3的42.5分；科研难题测试FrontierScience得40.0分，高于Qwen3.6-35B-A3B的21.7分和GLM-5.3的30.7分。智能体任务中，工具调用测试BFCL V4得84.0分，高于Qwen3.6-35B-A3B的75.2分和DeepSeek-V4.1-Flash-1017的75.0分，在参与比较的6款模型中排名第一；流程自动化测试AutomationBench得49.3分，基础模型为10.0分，GLM-5.3为50.2分。

科研与工程仿真方面，真实场景仿真重建测试Real2Sim中，Apex-35B-V1.0取得21.55分，约为基础模型2.1分的10倍，与GLM-5.3-Flash的21.4分接近；机器人任务执行测试RoboRSI得44.5分，高于基础模型的35.0分；内部CFD-Bench测试中相较基础模型取得79胜、0平、21负，胜率79%。在扑翼翼型优化任务中，模型取得0.164的净推力，高于GLM-5.3的0.150和Qwen3.6-35B-A3B的0.081。

今年5月，超衍智能曾利用Apex Research生成34篇AI研究论文并提交至ACL Rolling Review（ARR）评审。据团队公布的研究报告，其中8篇论文平均整体评分超过3.0分，2篇达到3.67分，评分高于约99%的人类投稿。

从产业视角看，RSI（递归自我改进）正成为全球AI实验室竞相探索的方向。OpenAI在9月宣布实现“自动化研究实习生”阶段，AI已能在人类指导下完成原本需要研究人员数天的任务；Anthropic披露，在一项模型训练代码优化测试中，Claude Mythos Preview将代码运行速度提高至原来的约52倍。超衍智能此次开源35B模型，为“AI参与基础模型研发”提供了可复现的具体成果，也把这一路线从实验室叙事推向开放社区检验。

不过，研究结果的可靠性仍是RSI面临的核心难题。陈勇超在10月28日接受虎嗅采访时透露，在公司的一批AI科研测试中曾出现“奖励黑客”（Reward Hacking）行为，即模型未达到任务要求，却因验证规则存在漏洞而被判定通过；若将错误的评测反馈用于下一轮模型训练，系统可能不断强化无效的研究方法。这意味着，单次评测成绩的说服力有限，这套系统能否把研究成果持续转化为新一代模型的能力提升，并经得起外部验证，将是比榜单分数更关键的观察指标。