RéponsesPublié20 sources
Apex-35B-V1.0 mise sur l’IA pour améliorer l’entraînement d’un modèle Qwen
Apex 35B V1.0 est un modèle à poids ouverts dérivé de Qwen3.6 35B A3B, disponible sur Hugging Face. Apex le destine notamment au codage, à l’usage d’outils et à des tâches de recherche en sciences computationnelles et en simulation robotique.
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Apex 35B V1.0 est un modèle à poids ouverts dérivé de Qwen3.6 35B A3B, disponible sur Hugging Face.
- Apex le destine notamment au codage, à l’usage d’outils et à des tâches de recherche en sciences computationnelles et en simulation robotique.
- L’entreprise rapporte des résultats supérieurs à Qwen et à Recursive Flint sur plusieurs tests, mais ces évaluations ne sont pas indépendantes.
Prompt IA
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 est le premier modèle d’Apex Intelligence. Plutôt que de partir de zéro, l’entreprise l’a développé à partir de Qwen3.6-35B-A3B, le modèle d’Alibaba, en poursuivant son entraînement et en retravaillant notamment les étapes de mi-entraînement et de post-entraînement.2
17
21
L’argument mis en avant par Apex est le rôle de son système de recherche automatisée, Apex Research, dans la production de données ciblées et l’amélioration du modèle. L’exemple le plus précis concerne la mécanique des fluides numérique : Apex affirme que cette démarche a fait progresser le score du modèle de 32,1 points sur son évaluation interne CFD-Bench. Ce résultat est rapporté par l’entreprise et n’a pas été établi ici par une évaluation indépendante.17
28
Un modèle à poids ouverts, fondé sur Qwen
Apex présente son modèle comme un outil généraliste, adapté notamment au codage, à l’utilisation d’outils, aux questions-réponses et à la recherche approfondie. La fiche du modèle mentionne aussi des travaux en intelligence artificielle, en sciences computationnelles et en simulation robotique, ainsi qu’une compatibilité avec l’environnement Claude Code.2
21
Les poids sont disponibles sur Hugging Face sous le nom Apexintelligence-AI/Apex-35B-V1.0. Une version au format GGUF est également proposée pour certains outils d’exécution en local.21
23
La boucle d’amélioration décrite par Apex
Pour l’exemple de mécanique des fluides numérique — souvent désignée par l’acronyme anglais CFD —, Apex Research aurait analysé les erreurs relevées lors des évaluations, repéré des difficultés de raisonnement, puis généré et vérifié de nouveaux exemples scientifiques. Ces données ont ensuite été intégrées à l’entraînement du modèle.17
28
Apex attribue à cette boucle un gain de 32,1 points sur son CFD-Bench interne. Il s’agit d’une hausse en points, et non d’une progression de 32,1 %.17
28
L’entreprise décrit également Apex Research comme un système contribuant à la génération de données et à la conduite d’expériences. Un profil de la société lui attribue aussi un rôle dans l’optimisation de noyaux GPU.1
6 Les sources disponibles ne donnent cependant pas de chiffres comparables sur le débit d’entraînement ou la vitesse de génération des réponses. Il est donc difficile d’évaluer ces gains d’efficacité.
Ce que montrent les comparaisons publiées
Les chiffres ci-dessous sont ceux rapportés par Apex ou par des articles consacrés à la sortie du modèle. Ils donnent un aperçu des évaluations annoncées par l’entreprise, mais ne constituent pas des classements vérifiés de manière indépendante.17
28
30
38
- 21 tests au total : selon les résultats rapportés, Apex-35B-V1.0 dépasse Qwen3.6-35B-A3B sur 20 tests. Face à Flint, le modèle d’environ 40 milliards de paramètres de Recursive SuperIntelligence, il serait en tête sur 18 tests et à égalité sur un. Les évaluations portent sur la recherche, les tâches avec agents, le codage et le raisonnement.
17
- Tests de recherche : Apex affirme que son modèle a obtenu de meilleurs résultats que Qwen3.6-35B-A3B et Recursive Flint sur les six tests de recherche qu’il a évalués.
28
30
- PaperBench et FrontierScience : un compte rendu attribue à Apex les scores de 60,9 sur PaperBench et de 40,0 sur FrontierScience. À titre de comparaison, Qwen3.6-35B-A3B obtient respectivement 45,8 et 21,7, et GLM-5.3, 42,5 et 30,7.
- Autres comparaisons annoncées : Apex dit avoir dépassé GLM-5.3 sur FrontierScience et PaperBench, ainsi que DeepSeek-V4.1-Flash-1017 sur la catégorie « Human-difficult » de BioMysteryBench. L’entreprise revendique également le meilleur score BFCL V4 parmi les modèles qu’elle a comparés — une affirmation limitée à cet ensemble de modèles.
38
- Évaluations liées à la robotique : Apex rapporte des scores de 44,5 sur RoboRSI et de 21,55 sur Real2Sim. La documentation associe le modèle à l’exécution de tâches robotiques, à la collecte de trajectoires et à la reconstruction de scènes réelles en environnements simulés.
21
18
Des résultats à lire avec prudence
L’exemple du CFD-Bench donne une idée concrète de la méthode revendiquée par Apex : analyser les erreurs, créer des exemples ciblés, les vérifier, puis les réutiliser pour entraîner le modèle. Il illustre une forme d’assistance automatisée au développement, mais ne suffit pas à démontrer une amélioration récursive autonome ou sans limites.17
28
Apex-35B-V1.0 est bien proposé avec des poids ouverts et l’entreprise fait état de résultats favorables sur plusieurs évaluations internes. Mais les sources citées ne fournissent ni validation indépendante de ces résultats ni mesures comparables du débit d’entraînement et de la vitesse de génération. Ces limites sont importantes pour interpréter les performances annoncées ou les comparer à celles d’autres modèles.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Apex-35B-V1.0 mise sur l’IA pour améliorer l’entraînement d’un modèle Qwen » ?
Apex 35B V1.0 est un modèle à poids ouverts dérivé de Qwen3.6 35B A3B, disponible sur Hugging Face.
Quels sont les points clés à valider en premier ?
Apex 35B V1.0 est un modèle à poids ouverts dérivé de Qwen3.6 35B A3B, disponible sur Hugging Face. Apex le destine notamment au codage, à l’usage d’outils et à des tâches de recherche en sciences computationnelles et en simulation robotique.
Que dois-je faire ensuite en pratique ?
L’entreprise rapporte des résultats supérieurs à Qwen et à Recursive Flint sur plusieurs tests, mais ces évaluations ne sont pas indépendantes.