Premier modèle d'Apex Intelligence : entraîné en continu sur Qwen3.6-35B-A3 avec des données propriétaires et des trajectoires de recherche, destiné à la rédaction de code, à l'appel d'outils, à la recherche approfondie, ainsi qu'aux tâches scientifiques telles que la mécanique des fluides et la simulation robotique, qui nécessitent d'« écrire un programme, le lancer, observer les résultats puis modifier » ; à chaque tour, il décide lui-même s'il doit réfléchir et pendant combien de temps, sans changer manuellement de mode. Selon l'annonce officielle, le développement a utilisé leur propre système de recherche automatisé, Apex Research, pour générer des données d'entraînement, tester des recettes d'entraînement et optimiser les noyaux. Publié le 28 10, non inclus dans les 7 dernières périodes.
Gain de points 53 · J'aime 58 · Téléchargements 1219
Raisons
- Selon l'annonce officielle, les améliorations les plus importantes par rapport au modèle de base Qwen3.6-35B-A3 concernent les agents et la recherche scientifique : BrowseComp 69.4 (base 42.1), AutomationBench 49.3 (10.0), SciCode problème principal 62.6 (37.5), FrontierScience 40.0 (21.7), SWE-bench Pro v2 92.4 (72.4), Terminal-Bench 2.1 65.2 (46.1) ; BFCL V4 84.0 est le plus élevé de tous les modèles du tableau.
- Les instructions de déploiement sont détaillées : les commandes de lancement pour SGLang, vLLM, TokenSpeed, KTransformers, Transformers et llama.cpp sont toutes fournies, y compris les pièges tels que les versions des pilotes et les noms différents des analyseurs selon les frameworks ; le framework d'agent recommandé officiellement est Claude Code (v2.1.280).
- Quantification complète : un dépôt GGUF distinct est disponible, avec BF16 plus 28 types de quantification, Q4_K_M 21.7 Go, et le plus petit IQ1_S 9.0 Go.
Utilisation
- vLLM ≥ 0.32.0 : vllm serve Apexintelligence-AI/Apex-35B-V1.0 --served-model-name Apex-35B-V1.0 --max-model-len 262144 --reasoning-parser qwen3 --enable-auto-tool-choice --tool-call-parser qwen3_coder. BF16 environ 72 Go, une seule carte avec plus de 141 Go peut gérer le contexte complet, H100 NVL nécessite 2 cartes, A100 40Go nécessite 4 cartes.
- Local : téléchargez Q4_K_M de Apexintelligence-AI/Apex-35B-V1.0-GGUF, llama-server -m Apex-35B-V1.0-Q4_K_M.gguf --jinja -ngl 99 -c 32768 ; il est impératif d'ajouter --jinja pour utiliser le modèle de chat intégré, ne pas le remplacer par celui de Qwen3.6.
- Échantillonnage temperature 1.0, top_p 0.95, top_k 20, max_tokens 65536 (incluant la réflexion) ; pour les tours multiples et les appels d'outils, renvoyez le message assistant complet tel quel, et définissez preserve_thinking=True dans chat_template_kwargs.
Risques
- Les scores sont tous des auto-tests officiels, parmi lesquels RoboRSI, Real2Sim et CFD-Bench sont des benchmarks internes ; « amélioration récursive de soi-même » est une affirmation officielle, sans détails méthodologiques fournis dans la fiche, les données d'entraînement ne sont pas publiques.
- Dans le même tableau, GLM-5.3, GLM-5.3-Flash et DeepSeek-V4.1-Flash-1017, beaucoup plus grands, restent nettement supérieurs sur la plupart des points, par exemple Terminal-Bench 2.1 est de 89.9 / 84.3 / 90.6 ; LiveCodeBench v6 82.3 est encore légèrement inférieur à la base de 84.5.
- Ne prend en charge que les entrées et sorties textuelles ; premier modèle d'une nouvelle entreprise, le suivi de maintenance ultérieur est inconnu.