Apex Intelligence の最初のモデル：Qwen3.6-35B-A3B をベースに、自社データと研究軌跡を用いて継続学習を実施。コード作成、ツール呼び出し、深い検索、および流体力学やロボットシミュレーションなど、「プログラムを書き、実行し、結果を見て修正する」科学研究タスクに対応しています。各ターンで思考の要否や思考時間をモデル自身が決定するため、手動でのモード切り替えは不要です。公式によれば、開発には自社製の自動研究システム「Apex Research」を用いて訓練データの生成、訓練レシピの試行、およびカーネルの最適化を行ったとのことです。10 月 28 日に公開され、直近 7 期間では収録されていません。
上昇スコア 53 · いいね数 58 · ダウンロード数 1219
理由
- 公式によれば、ベースモデルである Qwen3.6-35B-A3B と比較して最も向上したのはエージェントおよび科学研究関連の項目です：BrowseComp 69.4（ベース 42.1）、AutomationBench 49.3（10.0）、SciCode 主要問題 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）。また、BFCL V4 のスコア 84.0 は表内の全モデル中で最高値です。
- デプロイ手順が詳細に記載されています：SGLang、vLLM、TokenSpeed、KTransformers、Transformers、llama.cpp などの起動コマンドに加え、ドライババージョンや各フレームワークにおけるパーサー名の差異といった落とし穴についても記述されています。公式ではエージェントフレームワークとして Claude Code（v2.1.280）との組み合わせを推奨しています。
- 量子化モデルが充実しています：別途 GGUF リポジトリがあり、BF16 に加えて 28 種類の量子化が提供されています。Q4_K_M は 21.7 GB、最小の IQ1_S は 9.0 GB です。
使い方
- 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 は約 72 GB で、141 GB 以上の VRAM を備えた単一 GPU でコンテキストウィンドウをフル活用できます。H100 NVL では 2 カード、A100 40GB では 4 カードが必要です。 - ローカル実行：Apexintelligence-AI/Apex-35B-V1.0-GGUF から Q4_K_M をダウンロードし、
llama-server -m Apex-35B-V1.0-Q4\_K\_M.gguf --jinja -ngl 99 -c 32768を実行します。必ず--jinjaオプションを付けて同梱のチャットテンプレートを使用してください。Qwen3.6 のテンプレートに置き換えないでください。 - サンプリングパラメータ：temperature 1.0、top_p 0.95、top_k 20、max_tokens 65536（思考トークンを含む）。マルチターンおよびツール呼び出し時には、assistant メッセージを完全にそのまま返送し、
chat_template_kwargs内でpreserve_thinking=Trueを設定してください。
リスク
- スコアはすべて公式による自己評価であり、RoboRSI、Real2Sim、CFD-Bench は内部ベンチマークです。「再帰的自己改善」は公式の主張ですが、カード内には手法の詳細が記載されておらず、訓練データも非公開です。
- 同じ表内のより大規模なモデルである GLM-5.3、GLM-5.3-Flash、DeepSeek-V4.1-Flash-1017 は、多くの項目で依然として明確に高いスコアを示しています。例えば Terminal-Bench 2.1 では 89.9 / 84.3 / 90.6 となっています。また、LiveCodeBench v6 のスコア 82.3 は、ベースモデルの 84.5 よりもわずかに低いです。
- テキスト入力・出力のみに対応しています。新会社の最初のモデルであり、今後のメンテナンス状況は不明です。