RespostasPublicado20 fontes
Apex-35B-V1.0 aposta em pesquisa automatizada para aprimorar um modelo Qwen
O Apex 35B V1.0 é um modelo de pesos abertos baseado no Qwen3.6 35B A3B, com arquivos disponíveis no Hugging Face. A empresa relata que um ciclo de análise de erros e geração de dados direcionados elevou em 32,1 pontos a pontuação do modelo em seu CFD Bench interno.
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O Apex 35B V1.0 é um modelo de pesos abertos baseado no Qwen3.6 35B A3B, com arquivos disponíveis no Hugging Face.
- A empresa relata que um ciclo de análise de erros e geração de dados direcionados elevou em 32,1 pontos a pontuação do modelo em seu CFD Bench interno.
- A Apex afirma ter superado modelos de referência em vários testes, mas os resultados citados são divulgados pela própria empresa e não foram estabelecidos por avaliações independentes.
Prompt de 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
O Apex-35B-V1.0 é o primeiro modelo da Apex Intelligence: um sistema de pesos abertos baseado no Qwen3.6-35B-A3B, da Alibaba, e aprimorado em etapas de treinamento intermediário e pós-treinamento. O destaque da apresentação não é um modelo treinado do zero, mas o uso do Apex Research para gerar dados direcionados e orientar melhorias a partir dos resultados das avaliações. A empresa relata um avanço de 32,1 pontos em seu CFD-Bench interno; esse resultado e as demais comparações de desempenho não foram verificados de forma independente nas fontes citadas aqui.2
17
21
O que é o modelo e onde encontrá-lo
O Apex-35B-V1.0 foi apresentado para uso geral e pesquisa. A descrição do modelo menciona programação, uso de ferramentas, respostas a perguntas e busca aprofundada, além de tarefas de pesquisa em inteligência artificial, ciência computacional e simulação de robótica. O material de lançamento também cita compatibilidade com o ambiente Claude Code.2
21
Os pesos estão disponíveis no Hugging Face, no repositório Apexintelligence-AI/Apex-35B-V1.0. Também há um repositório oficial de arquivos GGUF, formato usado por ferramentas compatíveis para executar modelos localmente.21
23
Como o Apex Research teria melhorado o desempenho em CFD
No exemplo de dinâmica dos fluidos computacional (CFD, na sigla em inglês), o fluxo descrito pela Apex parte dos erros observados nas avaliações. O Apex Research teria analisado esses erros, identificado problemas de raciocínio, gerado e verificado novos exemplos científicos e incluído os dados em etapas posteriores de treinamento.17
28
A Apex atribui a esse ciclo um aumento de 32,1 pontos no CFD-Bench interno. Trata-se de uma diferença em pontos, não de um aumento de 32,1%. Como a avaliação é interna, o resultado deve ser entendido como um dado divulgado pela empresa, e não como uma medição independente.17
28
A empresa também afirma que seu sistema automatizado contribuiu para a geração de dados de treinamento e a realização de experimentos; um perfil da companhia menciona ainda otimização de kernels de GPU.1
6 As fontes citadas não apresentam números comparáveis de velocidade de treinamento ou de geração de respostas, nem detalhes suficientes para avaliar essas alegações de eficiência.
O que as comparações de benchmarks indicam
Os resultados abaixo foram divulgados pela Apex ou por reportagens sobre o lançamento. Eles ajudam a entender as avaliações apresentadas pela empresa, mas não equivalem a um ranking verificado de forma independente.17
28
30
38
- Em 21 benchmarks: Segundo o material sobre o lançamento, o Apex-35B-V1.0 superou o Qwen3.6-35B-A3B em 20 testes. Na comparação com o Flint, da Recursive SuperIntelligence, modelo com cerca de 40 bilhões de parâmetros, teria ficado à frente em 18 e empatado em um. As avaliações abrangem pesquisa, tarefas com agentes, programação e raciocínio.
17
- Testes de pesquisa: A Apex afirma que o modelo superou o Qwen3.6-35B-A3B e o Recursive Flint nos seis benchmarks de pesquisa que avaliou.
28
30
- PaperBench e FrontierScience: Uma reportagem informa pontuações de 60,9 no PaperBench e 40,0 no FrontierScience para o Apex. Na mesma comparação, o Qwen3.6-35B-A3B marcou 45,8 e 21,7, respectivamente; o GLM-5.3, 42,5 e 30,7.
- Outras comparações: A Apex diz que o modelo superou o GLM-5.3 no FrontierScience e no PaperBench, teve resultado superior ao DeepSeek-V4.1-Flash-1017 na divisão Human-difficult do BioMysteryBench e obteve a maior pontuação no BFCL V4 entre os modelos comparados pela empresa. Essa última afirmação se limita ao conjunto avaliado, não a todos os modelos disponíveis.
38
- Testes relacionados à robótica: O material de lançamento informa pontuações de 44,5 no RoboRSI e 21,55 no Real2Sim. A descrição do modelo relaciona suas capacidades à execução de tarefas robóticas, à coleta de trajetórias e à reconstrução de cenas do mundo real em simulação.
21
18
O que os dados permitem concluir — e o que continua em aberto
O exemplo mais concreto da abordagem de pesquisa automatizada da Apex é o ciclo de CFD: identificar erros, criar e verificar exemplos direcionados e treinar o modelo novamente. Isso descreve uma forma pela qual a análise automatizada pode contribuir para o desenvolvimento de modelos. Por si só, porém, não demonstra um processo autônomo ou aberto de autoaperfeiçoamento recursivo.17
28
O modelo baseado em Qwen está disponível com pesos abertos, e a empresa relata avanços em suas próprias avaliações. Ainda assim, as fontes citadas não apresentam resultados de benchmarks verificados independentemente nem medições comparáveis de velocidade de treinamento e geração de respostas. Essas ressalvas são importantes para interpretar as alegações de desempenho e compará-las com as de outros sistemas.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Apex-35B-V1.0 aposta em pesquisa automatizada para aprimorar um modelo Qwen"?
O Apex 35B V1.0 é um modelo de pesos abertos baseado no Qwen3.6 35B A3B, com arquivos disponíveis no Hugging Face.
Quais são os pontos-chave para validar primeiro?
O Apex 35B V1.0 é um modelo de pesos abertos baseado no Qwen3.6 35B A3B, com arquivos disponíveis no Hugging Face. A empresa relata que um ciclo de análise de erros e geração de dados direcionados elevou em 32,1 pontos a pontuação do modelo em seu CFD Bench interno.
O que devo fazer a seguir na prática?
A Apex afirma ter superado modelos de referência em vários testes, mas os resultados citados são divulgados pela própria empresa e não foram estabelecidos por avaliações independentes.