답변게시됨20 소스
Apex-35B-V1.0의 성과와 한계: ‘AI 연구 루프’가 바꾼 것은
Apex 35B V1.0은 Qwen3.6 35B A3B를 기반으로 추가 학습한 오픈 웨이트 모델로, 가중치는 Hugging Face에서 제공된다. Apex는 평가 오류를 분석해 과학 학습 데이터를 만들고 검증한 뒤 재학습에 투입하는 방식으로 내부 CFD Bench 점수가 32.1점 올랐다고 밝혔다.
게시자GPT-6 Luna로 편집GPT Image 2로 이미지 생성
연구 답변
주요 시사점
- Apex 35B V1.0은 Qwen3.6 35B A3B를 기반으로 추가 학습한 오픈 웨이트 모델로, 가중치는 Hugging Face에서 제공된다.
- Apex는 평가 오류를 분석해 과학 학습 데이터를 만들고 검증한 뒤 재학습에 투입하는 방식으로 내부 CFD Bench 점수가 32.1점 올랐다고 밝혔다.
- 회사는 여러 벤치마크에서 Qwen 및 Recursive Flint보다 높은 점수를 냈다고 발표했지만, 결과는 자체 평가이며 학습 처리량·추론 속도 비교 수치는 확인되지 않는다.
AI 프롬프트
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 Intelligence가 공개한 첫 모델 Apex-35B-V1.0의 핵심은 처음부터 모델을 학습했다는 데 있지 않다. 알리바바의 Qwen3.6-35B-A3B를 기반으로 중간 학습과 후속 학습을 진행하고, 회사의 자동화 연구 시스템 Apex Research가 학습 데이터와 평가 결과를 개선 과정에 활용했다는 점이다. 회사는 내부 CFD-Bench에서 32.1점 상승을 보고했다. 다만 이 수치는 회사 자체 평가 결과로, 독립적으로 검증된 성과는 아니다.2
17
21
어떤 모델이고 어디서 쓸 수 있나
Apex-35B-V1.0은 범용 작업과 연구를 함께 겨냥한다. 모델 소개 자료에는 코딩, 도구 활용, 질의응답, 심층 검색과 함께 AI·계산과학·로봇 시뮬레이션 연구가 사용 분야로 제시돼 있다. Claude Code 하네스 지원도 안내하고 있다.2
21
모델 가중치는 Hugging Face의 Apexintelligence-AI/Apex-35B-V1.0에서 확인할 수 있다. 호환되는 로컬 실행 환경을 위한 GGUF 저장소도 공개돼 있다.21
23
CFD 점수를 높였다는 ‘오류 분석→데이터 추가’ 과정
Apex가 공개한 계산유체역학(CFD) 사례에서 Apex Research는 평가 과정에서 모델이 틀린 지점을 분석하고, 관련 추론 문제를 찾아 새로운 과학 학습 예시를 생성·검증한 뒤 후속 학습에 넣었다. 모델의 약점을 다음 학습에 반영하는 방식이다.17
28
회사는 이 표적 데이터 학습으로 내부 CFD-Bench 점수가 32.1점 상승했다고 밝혔다. 퍼센트 상승률이 아니라 점수 차이다. 벤치마크가 내부 평가인 만큼, 이를 외부에서 재현·검증된 결과처럼 해석해서는 안 된다.17
28
회사 자료와 프로필은 Apex Research가 학습 데이터 생성과 실험에 참여하고 GPU 커널 최적화에도 기여했다고 설명한다.1
6 그러나 확인 가능한 자료에는 학습 처리량이나 생성 속도가 얼마나 개선됐는지 비교할 만한 수치가 제시돼 있지 않다.
회사가 공개한 벤치마크 결과
아래 성적은 Apex의 발표 또는 출시 보도에 담긴 결과다. 성능을 가늠하는 참고 자료는 될 수 있지만, 독립 기관이 확인한 순위와는 구분해서 봐야 한다.17
28
30
38
- 21개 벤치마크 비교: Apex는 연구, 에이전트 작업, 코딩, 추론을 포함한 21개 평가 가운데 20개에서 Qwen3.6-35B-A3B보다 높은 점수를 얻었다고 밝혔다. 약 400억 매개변수의 Recursive SuperIntelligence 모델 Flint와 비교해서는 18개에서 앞서고 1개에서 동점을 기록했다고 보도됐다.
17
- 연구 분야 평가: 회사 발표와 관련 보도에 따르면 Apex-35B-V1.0은 평가한 연구 벤치마크 6개 모두에서 Qwen3.6-35B-A3B와 Recursive Flint를 앞섰다.
28
30
- PaperBench·FrontierScience: 보도된 점수는 PaperBench에서 Apex 60.9, Qwen 45.8, GLM-5.3 42.5다. FrontierScience에서는 Apex 40.0, Qwen 21.7, GLM-5.3 30.7로 제시됐다.
- 기타 비교: Apex는 FrontierScience와 PaperBench에서 GLM-5.3보다, BioMysteryBench의 Human-difficult 평가 구간에서 DeepSeek-V4.1-Flash-1017보다 높은 점수를 기록했다고 밝혔다. BFCL V4에서는 비교 대상 모델 중 최고 점수를 냈다고 주장했다. 이는 발표에 포함된 비교군 안에서의 결과이지, 모든 공개 모델을 통틀어 최고라는 뜻은 아니다.
38
- 로봇 관련 평가: Apex는 RoboRSI에서 44.5점, Real2Sim에서 21.55점을 공개했다. 모델 자료는 로봇 작업 수행, 궤적 수집, 실제 환경을 시뮬레이션으로 재구성하는 작업 등을 관련 역량으로 소개한다.
21
18
확인된 가능성과 남은 질문
현재 공개된 설명 가운데 가장 구체적인 사례는 CFD 개선 과정이다. 평가 오류를 찾아내고, 관련 데이터를 만들어 검증한 뒤 재학습에 투입했다는 흐름은 AI 연구 도구가 모델 개발에 어떻게 관여할 수 있는지를 보여준다. 하지만 이 사례만으로 사람의 개입 없이 계속 발전하는 개방형 자기개선이 입증되는 것은 아니다.17
28
Apex-35B-V1.0은 Qwen 기반 오픈 웨이트 모델이며, 회사는 내부 평가에서 여러 성능 향상을 보고했다. 반면 벤치마크 성적은 독립적으로 검증되지 않았고, 학습 처리량이나 추론 속도에 대한 비교 수치도 확인되지 않는다. 따라서 현재로서는 구체적인 개발 과정과 회사가 발표한 성적을 살펴보되, 이를 확정적인 성능 순위로 받아들이지 않는 것이 타당하다.
Studio Global AI
연구를 계속하세요
이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.
사람들은 또한 묻습니다.
"Apex-35B-V1.0의 성과와 한계: ‘AI 연구 루프’가 바꾼 것은"에 대한 짧은 대답은 무엇입니까?
Apex 35B V1.0은 Qwen3.6 35B A3B를 기반으로 추가 학습한 오픈 웨이트 모델로, 가중치는 Hugging Face에서 제공된다.
먼저 검증할 핵심 포인트는 무엇인가요?
Apex 35B V1.0은 Qwen3.6 35B A3B를 기반으로 추가 학습한 오픈 웨이트 모델로, 가중치는 Hugging Face에서 제공된다. Apex는 평가 오류를 분석해 과학 학습 데이터를 만들고 검증한 뒤 재학습에 투입하는 방식으로 내부 CFD Bench 점수가 32.1점 올랐다고 밝혔다.
실무에서는 다음으로 무엇을 해야 합니까?
회사는 여러 벤치마크에서 Qwen 및 Recursive Flint보다 높은 점수를 냈다고 발표했지만, 결과는 자체 평가이며 학습 처리량·추론 속도 비교 수치는 확인되지 않는다.