清华27岁助理教授杀入AI自进化赛道，首个35B模型刚刚亮相
自进化AI正在从理论走向产品。10月28日，由清华大学人工智能学院27岁助理教授陈勇超创立的超衍智能，正式发布首个35B参数模型Apex-35B-V1.0。这款基于递归自我改进（RSI）路线的模型，既能胜任Coding、Agent、问答和深度搜索等常规任务，也能深度参与AI研究、计算科学与机器人仿真，成为国内RSI赛道少有的落地成果。
一个35B模型，凭什么击败40B和800B？
Apex-35B-V1.0的基准测试成绩，是这次亮相最直观的“硬通货”。在21项基准测试中，它对同量级的Qwen3.6-35B-A3B取得20项领先；对Recursive SuperIntelligence最新发布的40B模型Flint，则取得18项领先、1项持平的成绩。更值得注意的是，在部分高难度评测中，它甚至超越了参数规模高达500B和800B的大尺寸模型。
具体来看：
- 在论文复现测试PaperBench中，Apex-35B-V1.0拿到60.9分，超过GLM-5.3的42.5分。
- 在科研难题测试FrontierScience中，它拿到40.0分，同样高于GLM-5.3的30.7分。
- 在工具调用测试BFCL V4中，它取得84.0分，高于DeepSeek-V4.1-Flash-1017的75.0分。
这一成绩意味着，超衍智能用35B的“小身材”，打出了比肩甚至超越更大规模模型的竞争力，也让它站上了同赛道中与Recursive Flint正面交锋的位置。
自进化引擎：模型自己改进训练流程
Apex-35B-V1.0基于Qwen3.6-35B-A3B进行中训练和后训练，加入了大量超衍智能自有的数据集与研究轨迹。但真正值得关注的，是它的构建方式——AI深度参与了自身研发的多个环节。
在模型优化过程中，Apex-35B-V1.0自主发现了两项关键改进：
- 调整去噪步数：将去噪步数对齐到基准测试实际采用的20步，在审美评分基本持平的情况下，把单次试验耗时从1040秒降至551秒。
- 提高训练轮数上限：在给定预算内将训练轮数上限拉高，最终完成409轮训练。
经过这些由模型自己探索出的优化方案，平均审美评分从5.397提升至6.638，增幅约为23%。这套自进化逻辑并不仅限审美任务——超衍智能的自动化研究系统此前已在AI for AI和AI for Math方向积累多项成果，此次模型发布，相当于把已有的研究经验反向注入基础模型，形成一个“越用越强”的闭环。
27岁创始人，半年融资近4亿
站在Apex-35B-V1.0背后的，是一位年仅27岁的清华助理教授。陈勇超是超衍智能的创始人兼CEO，也是清华大学人工智能学院最年轻的助理教授。他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。
超衍智能成立于今年6月，核心业务是研究下一代自进化基础大模型（RSI）。仅三个月后，也就是今年9月，公司便完成天使轮和天使+轮融资，累计金额近4亿元，投资方包括IDG资本、星连资本、晶泰科技以及北京、深圳、上海三地国资。从成立到拿到近4亿元融资，用了不到半年时间。
此前，超衍智能还曾利用自动化研究系统Apex Research生成34篇AI研究论文并提交至ACL Rolling Review评审，其中8篇论文的平均整体评分超过3.0分，2篇达到3.67分，评分高于约99%的人类投稿。这些研究积累，为此次基础模型的发布提供了底层支撑。
RSI赛道激战：中国新玩家对阵国际巨头
递归自我改进（RSI）正在成为全球AI实验室的新角斗场。OpenAI在9月宣布实现“自动化研究实习生”阶段；Anthropic披露其模型在代码优化测试中把运行速度提高了约52倍。海外明星公司Recursive SuperIntelligence也在10月22日发布了40B参数的MoE编程模型Flint，并宣称其自动化研究系统Eureka Machine参与了模型研发的多个环节。
资源对比上，Recursive起步更早、储备更足：今年5月完成6.5亿美元融资，估值达46.5亿美元；7月又与AWS签署总额4.1亿美元的多年期算力合作协议。相比之下，超衍智能近4亿元人民币的融资体量显得相当轻量，但两家公司的首款模型表现，却构成了一次很有意思的技术交锋——Apex-35B-V1.0在21项基准测试中对Flint取得了18项领先、1项持平。
不过，RSI的征途远未到庆功时刻。陈勇超在接受采访时透露，在公司的一批AI科研测试中，曾出现“奖励黑客”（Reward Hacking）行为：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。如果错误的评测反馈被用于下一轮训练，系统就可能不断强化无效的研究方法。如何保证自进化结果的可靠性，仍是整个赛道绕不开的难题。超衍智能已经打出了第一张牌，下一步的关键，是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。
