AnswersPublished20 sources
Apex-35B-V1.0: Sådan brugte Apex AI-forskning til at forbedre en Qwen-model
Apex 35B V1.0 er en model med åbne vægte baseret på Qwen3.6 35B A3B. Vægtene kan hentes på Hugging Face. Modellen er målrettet blandt andet programmering, værktøjsbrug, generelle opgaver og forskning i AI, beregningsvidenskab og robotsimulering.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Apex 35B V1.0 er en model med åbne vægte baseret på Qwen3.6 35B A3B. Vægtene kan hentes på Hugging Face.
- Modellen er målrettet blandt andet programmering, værktøjsbrug, generelle opgaver og forskning i AI, beregningsvidenskab og robotsimulering.
- Apex rapporterer gode resultater på flere af sine tests, men benchmarkpåstandene er ikke uafhængigt bekræftet, og der mangler sammenlignelige tal for træningshastighed og afkodning.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Apex Intelligence’s Apex-35B-V1.0, released on October 28, 2026, and how do its Hugging Face weight availability, Qwen3.6-35B-A3B fo. Article summary: Apex-35B-V1.0 is Apex Intelligence’s first model, released on October 28, 2026: an open-weight, Qwen-based model intended for general-purpose use and research, rather than a foundation model trained from scratch.[2][4][6. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Apex-35B-V1.0 er Apex Intelligences første model. Den bygger på Alibaba-modellen Qwen3.6-35B-A3B og er videreudviklet gennem mid-training og post-training. Det centrale ved lanceringen er altså ikke, at Apex har trænet en model fra bunden, men virksomhedens påstand om, at Apex Research har hjulpet med at udforme målrettede træningsdata og bruge evalueringsresultater til at forbedre modellen. Apex oplyser om en fremgang på 32,1 point i sin interne CFD-Bench-test. Resultatet – ligesom de øvrige benchmarkpåstande – er ikke uafhængigt dokumenteret i de kilder, der omtales her.2
17
21
Hvad er Apex-35B-V1.0?
Modellen er udviklet til både almindelig brug og forskning. Ifølge modelbeskrivelsen omfatter anvendelserne blandt andet programmering, brug af værktøjer, spørgsmål og svar samt avanceret søgning. Den er også rettet mod forskning i AI, beregningsvidenskab og robotsimulering. Udgivelsesmaterialet nævner desuden understøttelse af Claude Code-harnesset.2
21
Modelvægtene ligger på Hugging Face under Apexintelligence-AI/Apex-35B-V1.0. Der findes også et officielt GGUF-arkiv til kompatible lokale kørselsmiljøer.21
23
Apex’ beskrevne metode til at forbedre CFD-resultater
Apex beskriver en proces, hvor modellens fejl bruges som afsæt for videre træning. I eksemplet med beregningsmæssig fluiddynamik (CFD) analyserede Apex Research fejl fra evalueringer, fandt problemer i modellens ræsonnement, genererede og verificerede nye videnskabelige træningseksempler og føjede dem derefter til senere træning.17
28
Apex tilskriver denne målrettede proces en forbedring på 32,1 point i virksomhedens interne CFD-Bench. Der er tale om point – ikke en stigning på 32,1 procent. Da kilderne beskriver testen som intern, bør resultatet læses som virksomhedens egen oplysning og ikke som et uafhængigt benchmarkresultat.17
28
Apex fortæller også, at det automatiserede system bidrog til at generere træningsdata og gennemføre eksperimenter. En virksomhedsprofil tilskriver systemet optimering af GPU-kerner.1
6 De kilder, der indgår her, giver imidlertid ikke sammenlignelige tal for træningshastighed eller afkodningshastighed – og heller ikke nok oplysninger til at vurdere effektivitetsudsagnene nærmere.
Hvad viser benchmarkpåstandene?
Nedenstående sammenligninger er rapporteret af Apex eller i dækning af modellens lancering. De kan give et indtryk af virksomhedens testresultater, men er ikke uafhængigt verificerede placeringer.17
28
30
38
- På tværs af 21 benchmarks: Ifølge omtalen af lanceringen klarede Apex-35B-V1.0 sig bedre end Qwen3.6-35B-A3B på 20 af 21 benchmarks. Sammenlignet med Recursive SuperIntelligences Flint, der beskrives som en model på cirka 40 milliarder parametre, førte Apex angiveligt på 18 og stod lige på én. Testene dækkede forskning, agentopgaver, programmering og ræsonnement.
17
- Forskningstests: Apex oplyser, at modellen slog både Qwen3.6-35B-A3B og Recursive Flint på alle seks forskningstests, virksomheden evaluerede.
28
30
- PaperBench og FrontierScience: En rapport angiver Apex-resultater på 60,9 i PaperBench og 40,0 i FrontierScience. Til sammenligning opnåede Qwen3.6-35B-A3B henholdsvis 45,8 og 21,7, mens GLM-5.3 fik 42,5 i PaperBench og 30,7 i FrontierScience.
- Andre sammenligninger: Apex siger, at modellen slog GLM-5.3 i FrontierScience og PaperBench, klarede sig bedre end DeepSeek-V4.1-Flash-1017 på den svære Human-difficult-del af BioMysteryBench og fik den højeste BFCL V4-score blandt de modeller, virksomheden sammenlignede.
38 BFCL-påstanden gælder altså sammenligningsgruppen – ikke nødvendigvis alle tilgængelige modeller.
- Robotrelaterede tests: Apex’ udgivelsesmateriale angiver resultater på 44,5 i RoboRSI og 21,55 i Real2Sim. Modelmaterialet fremhæver robotsimulering, udførelse af robotopgaver, indsamling af bevægelsesbaner og rekonstruktion af scener fra virkelighed til simulering som relevante anvendelser.
21
18
Hvad kan man konkludere – og hvad mangler der svar på?
Det mest konkrete eksempel på Apex’ beskrevne metode er CFD-forløbet: Find fejl, lav og kontrollér målrettede træningseksempler, og træn derefter modellen videre. Det giver et konkret billede af, hvordan automatiseret analyse kan indgå i modeludvikling. Det er dog ikke i sig selv dokumentation for autonom eller ubegrænset selvforbedring.17
28
Apex-35B-V1.0 kan hentes som en model med åbne vægte, der bygger på Qwen, og virksomheden rapporterer fremgang på flere interne evalueringer. Men de citerede kilder giver hverken uafhængigt bekræftede benchmarkresultater eller sammenlignelige målinger af trænings- og afkodningshastighed. Det er væsentlige forbehold, når man skal vurdere præstationspåstandene eller sammenligne modellen med andre systemer.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Apex-35B-V1.0: Sådan brugte Apex AI-forskning til at forbedre en Qwen-model"?
Apex 35B V1.0 er en model med åbne vægte baseret på Qwen3.6 35B A3B. Vægtene kan hentes på Hugging Face.
What are the key points to validate first?
Apex 35B V1.0 er en model med åbne vægte baseret på Qwen3.6 35B A3B. Vægtene kan hentes på Hugging Face. Modellen er målrettet blandt andet programmering, værktøjsbrug, generelle opgaver og forskning i AI, beregningsvidenskab og robotsimulering.
What should I do next in practice?
Apex rapporterer gode resultater på flere af sine tests, men benchmarkpåstandene er ikke uafhængigt bekræftet, og der mangler sammenlignelige tal for træningshastighed og afkodning.