Apodex 1.1：当AI不再只会回答问题，而是学会了把活干完

2026年8月，一份技术报告悄悄上线，里面藏着一个让人愣了一下的事实：一个参数量只有35B的模型，靠着某种系统设计，在多个专业任务测试里追上了那些参数规模不明、动辄被认为是"更聪明"的顶级闭源模型。

你可能会觉得，这不就是老套路吗，小模型蹭个热点碰瓷大模型。但如果你往深看一层，就会发现这份报告真正想说的事情，其实和参数量没什么关系。它想说的是：语言模型这几年一直在卷"回答得好不好"，但复杂工作真正卡住AI的地方，从来不是回答得好不好，而是能不能把一件事从头做到尾，还得经得起检查。

这就是Apodex 1.1这份报告的核心主张。它给这种能力起了个名字，叫working capability，工作能力。

**工作能力**：不是指模型能不能给出正确答案，而是指模型能不能在一个不断变化的真实环境里，持续做出有效进展，直到把一件事情实实在在地完成，并且交出的东西经得起验证。

这个定义听起来抽象，但它戳中了一个大家都心知肚明却很少说破的事实：一个模型可能知道正确答案该是什么样子，但让它去翻文件夹、执行代码、追踪信息来源、在出错后恢复现场、最后交付一份别人能拿去用的成果，它常常就露馅了。

卡住AI的到底是什么

先说清楚问题出在哪。

这几年通用大模型在知识、推理、数学、写代码这些能力上进步飞快，几乎每个季度都有新纪录。但很多有价值的真实工作，即使模型"知道"该怎么做，依然做不好。原因很简单：这些工作要跨越一个很长的时间尺度。

你得先去找证据、看懂各种格式的文件，然后写代码跑分析，代码报错了你得会调试，过程中计划可能要改好几次，某一步操作失败了你不能把之前做对的东西也一起扔掉，最后你交出去的东西，得让另一个人能看懂、能接着用。

这中间任何一环掉链子，整件事就废了。

打个比方，这就像让一个刚毕业的实习生去做一份需要三天才能完成的市场调研报告。他可能对着面试官能把行业分析讲得头头是道，理论功底扎实，但真让他去翻五十个网页交叉验证数据、把Excel表格和PPT做出来交给客户，中途文件命名乱了、Excel公式算错了没发现、被老板临时改了需求也不知道哪些已完成的工作还能用，那这份报告最后大概率是烂尾的。如果没有一套"把长任务拆解、执行、检查、交付"的完整流程支撑，光靠脑子聪明是不够的。这正是working capability要补上的那块拼图。

那么在Apodex 1.1出现之前，行业里的标杆水平是什么样的？报告里给出了对照：前一代Apodex 1.0在专业工作测试APEX-Agents上只拿到16.5分，而同期的Claude Opus 5能拿到42.3分，DeepSeek V4 Flash拿到34.4分。这个差距接近三倍，说明"能不能把长任务扛下来"这件事，在模型之间的分化是非常剧烈的，绝不是简单的参数堆叠能解决的。

两条路：把世界做大，把团队做活

Apodex团队给出的解法分成两条并行的主线，报告里叫做Environment Scaling和Agentic Coordination Scaling。

**环境扩展（Environment Scaling）**：不是让模型看更多文字数据，而是让模型在更多样、更真实、结果可验证的"可执行世界"里练手，包括文件操作、网络搜索、代码执行这三大类环境。

这句话翻译一下就是，以前训练模型靠的是"给它看很多例子，告诉它正确答案是什么"，这是静态的。而环境扩展做的事情是造出一个个真实的小世界，里面有文件系统、有可以执行的代码、有搜索引擎，模型在这些世界里试错、犯错、修正，然后被真实地检验对错。

这就好比学游泳，你不能只靠看教学视频学会游泳，你得真的下水。而且水池得足够多样，有浅水区、深水区、有浪的、没浪的，你才能真正学会应对各种情况，而不是只会应付一种泳池的水温和深度。

**智能体协同扩展（Agentic Coordination Scaling）**：训练模型学会把一个大任务拆解成多个子任务，分配给不同的"分身"（子智能体）并行处理，中途根据反馈调整计划，最后把各路结果汇总成一份完整交付。

如果说环境扩展解决的是"模型会不会干活"，那协同扩展解决的是"一群模型怎么一起把活干好"。这不是简单地多开几个进程跑同一个任务，而是训练模型具备真正的项目管理能力：知道什么任务能并行，什么时候该根据新证据推翻旧计划，哪个分支已经过时该及时叫停。

这两条线各自独立又互相支撑，靠一套叫做AgentOS的执行系统连接起来。

**AgentOS**：Apodex团队自研的持久化运行时系统，负责在整个任务执行过程中维护文件状态、检索证据、代码执行日志、产出物索引，让模型在漫长的任务里不会"失忆"或"手忙脚乱"。

完成的工作才是智能的度量单位

报告里有一段特别值得琢磨的表述：传统的语言模型评测，往往是"给一个问题，看回答对不对"，这是一种一次性的静态映射。但Apodex团队认为，真正该被度量的是agent在一个持续变化的世界里留下的最终状态，也就是完成的工作本身。

他们给出了一个正式的任务契约公式，把一个复杂任务拆成八个组成部分：初始工作空间、目标、可执行动作、状态转移规则、观察接口、资源预算、交付契约、以及交付验证器。

听起来很学术，但拆开看其实很直观。任何一件真实工作都可以这样理解：你手头有一堆初始材料（工作空间），你被告知要做成什么样（目标），你能用哪些工具去处理（动作），每次操作会怎样改变现状（状态转移），你能看到什么反馈（观察），你有多少时间和调用次数的限制（资源预算），最后要交出什么、按什么标准验收（交付契约和验证器）。

这套框架最有意思的地方在于它明确区分了两种"验证"：一种是过程中模型自己看到的反馈，比如代码跑出来报错了，这只是一个普通的观察信号，模型可以据此调整策略；另一种是任务结束后对最终交付物的裁决，这个裁决者不受模型左右，专门用来判断这件事到底有没有真的做完做对。

这个区分很关键，因为它防止了一种常见的作弊心态："我说我做完了，你就得信"。Apodex的设计哲学是，光靠一个流畅自信的回答骗不过系统，最终裁决权握在一个独立的验证机制手里。

造世界这件事，比想象中讲究

环境扩展听起来像是"多找点数据"，但报告花了大量篇幅说明，这件事的难度远超预期。

报告把可执行环境分成三大家族：文件世界、搜索世界、代码世界。

文件世界解决的问题是"权威性和转换"。你想象一个真实的职场场景：一份任务的关键信息不是写在提示词里的，而是散落在几十个文件、跨越多个历史版本、格式五花八门的文件夹里。模型必须自己去找出哪份文件是"权威版本"，理清文件之间的引用关系，过滤掉过时或重复的记录，最后把理解转化成一份专业的成果文件。

这类环境的构建思路很特别，报告说这是"解题的逆过程"：先定义好一套业务逻辑和权威关系，再把它投射成一个凌乱的工作空间，让模型去逆向还原出这套逻辑。目前这套场景库已经覆盖33个领域、318种职业、1208个交付物集群，这个数字规模，说明团队是真的在按照真实职场的分工细致度在铺量。

验证这类任务对不对，靠的是"能不能被代码独立地重新算出来"，而不是"看起来像不像对的答案"。这一点很像审计工作里的"实质重于形式"原则：审计师不会因为一份报表格式规整、逻辑通顺就认定它没问题，真正靠谱的做法是拿原始凭证重新核算一遍，两个数字对得上才算过关。如果不这样要求，模型很容易学会生成"看起来很专业"但其实经不起推敲的假答案，这在真实工作场景里是致命的。

搜索世界解决的是"发现和证据对齐"的问题，模型得学会拟定搜索词、筛选候选来源、追踪引用链条、在多个信息源冲突时判断该信任谁、并且知道什么时候证据已经够了可以停下来。这里最难的不是找到信息，而是知道什么时候该停。

代码世界则专注于"可执行的转换和验证"，模型改动一个代码仓库后，靠测试结果的反馈来判断改得对不对。这里报告提到一个很实际的工程细节：由于合成出来的任务可能没有天然的"标准答案裁判"，团队专门设计了一套"红队测试"机制，专门尝试用各种手段骗过验证器拿到奖励却没有真的完成任务，只有能扛住这种攻击的验证器才被认为可信。

**验证器**：判断一个任务是否真正完成的独立裁判机制，它和执行任务的agent完全隔离，agent无法修改验证器的判定逻辑。

这套设计思路让我想起小学考试防作弊的逻辑：如果批卷老师和出题老师是同一个人还允许学生看着自己批自己的卷子，那这场考试的分数根本没有意义。验证器和执行体分离，正是为了保证最后打出来的分数是真实可信的，而不是自娱自乐的数字游戏。

让智能体学会真正的团队协作

如果说环境扩展是给模型造练习场，那协同扩展要解决的是"一群模型怎么一起干活不添乱"。

Apodex Agent Team保留了上一代1.0版本的核心架构：一个主智能体先通盘思考问题，把它拆成若干个可以独立研究的子问题，然后按需临时组建专门的子智能体去处理，而不是从一个固定的角色目录里挑几个现成的角色凑数。

在1.1版本里，这套架构被外化成了一个叫做"任务看板"的持久化状态。

**任务看板（Task Board）**：一个独立于对话历史之外的共享协调记录，每个任务条目都记录着具体目标、依赖关系、完成状态、负责的智能体和已返回的证据，子智能体从看板上领取任务范围，完成的工作也挂回看板上。

为什么要单独搞一个看板，而不是靠对话记录来维护计划？因为长任务的对话历史会被反复压缩、重新格式化，跟大段的工具调用结果混在一起，早期的关键决策很容易在这个过程中被冲刷掉。这就好比一个项目团队如果只靠群聊记录来管理进度，几百条消息刷下来，谁负责什么、什么卡在哪儿，根本没人说得清楚，团队必须有一个独立于闲聊之外的项目管理看板，任务状态才不会失踪。如果不这样做，模型在漫长任务里很容易"失忆"，忘了前面已经确认过的事实，或者把已经作废的分支当成还在进行的工作继续投入资源。

围绕这个看板，Apodex 1.1加上了四项新能力。

第一项是异步人工介入。真实的研究任务往往在开始时是模糊的，执行过程中才会逐渐清晰。可能一份新材料推翻了原来的假设，也可能用户中途意识到报告的方向跑偏了。1.1版本让系统能在执行过程中接收用户的新消息，并且训练模型去判断这条消息到底改变了什么，哪些工作依然有效，接下来该怎么继续。

这里有个很细致的设计：系统会区分"用户只是澄清了一下要求"和"用户彻底改变了任务目标"这两种情况。前者保留原有的任务契约，后者则视为开启了一个新任务，同时允许沿用工作空间里依然有效的部分。这种分寸感的把握，很像一个靠谱的项目经理面对客户临时提需求时的反应：如果客户只是补充了个细节，项目经理会把它塞进现有计划里继续推进；但如果客户说要重做整个方案，项目经理不会假装什么都没变，而是重新拉一条时间线，同时把之前调研好的资料保留下来接着用。

第二项是非对称验证。1.0版本引入了独立于主智能体之外的验证角色，但报告坦承这还不够。如果一个验证智能体被要求把整个问题重新做一遍，它很可能会掉进和生成智能体一样的思维陷阱，产出第二套同样不靠谱的错误链条。

**非对称验证**：验证的任务被特意设计得比生成任务窄得多，验证智能体只负责攻击一个具体的论断，比如找反例、用独立信息源交叉核实、检查具体的名字日期数字对不对，而不是重新解决整个问题。

这个设计背后的道理其实很朴素：证伪一个具体说法，比重新构建一整套论证要容易得多，也更聚焦。这就像质检环节，如果让另一个工人把整件产品重新组装一遍来验证质量，那第二个工人也可能装错；但如果让他专门检查某一颗螺丝是否拧紧，这个任务窄而具体，出错的概率就小得多，反馈也更精准。

第三项是自适应的最大团队投入，简单说就是不搞平均分配资源，而是把更多的独立调查投给那些还有争议、证据薄弱、或者对最终结论至关重要的关键论断，已经确定的部分不再浪费算力反复验证。

第四项是证据导向的综合报告生成。团队执行和最终成稿这两件事的要求其实不太一样，前者需要不断规划调度、消化各路返回的信息，后者需要把散落在无数轮交互中的关键细节、证据出处、分歧和未解决的不确定性都完整地保留下来。1.1专门加了一道独立的综合环节，先把所有分支的结果和分歧构建成一张"证据图"，再交给写作智能体在同样的约束下生成最终报告，一个论断如果没法追溯到证据或计算过程，就会被淡化处理或者干脆删掉，而不是被写成一句听起来言之凿凿的空话。

那个撑住这一切的运行时系统

前面说的所有协调行为，都需要一个稳定的地基去承载，这就是AgentOS要解决的问题。

报告里有个很扎实的工程细节让我印象深刻：整个运行环境被划分成三个文件命名空间。/inputs是只读的，存放任务原始文件；/workspace是草稿区，供智能体计算、记笔记、生成候选产出；/outputs是收集根目录，只有被正式确认交付的内容才有资格进入这里。

这个三层结构听起来是个纯技术细节，但它解决的其实是一个很现实的信任问题：怎么区分"半成品"和"最终答案"。你可以类比一个厨房的操作流程，切菜配料的台面（草稿区）和端上桌的餐盘（交付区）必须是物理上分开的两个地方，厨师在配料台上失手掉了块肉在地上没关系，反正没端上桌，但一旦某道菜被摆上了给客人上菜的托盘，那就必须是真正做完、检查过、能吃的。如果所有东西都堆在同一张台面上，客人随时可能吃到一盘还没炒熟的菜。

围绕交付这一环，系统还设计了一套"发布租约"机制，同一时间只有一个执行会话拥有提交交付物的权限，交付的文件清单必须精确声明，任何未在清单中的写入路径会被直接拒绝，交付前系统还会拿基准快照做比对，防止一个空文件或者上一轮遗留的同名旧文件冒充成真正的成果。

另外还有一套针对长任务两大典型失败模式的应对机制：上下文超出模型能处理的长度，以及任务还没消化完就被强制超时打断。前者靠分级压缩解决，先便宜地清空旧工具调用的具体内容但保留结构，如果还不够再用模型总结中段内容；后者靠软硬两级时限解决，接近软时限时系统会主动提醒智能体先把已有发现整理成一份有用的阶段性成果，而不是等硬时限到了直接被无情打断，白白丢掉快完成的工作。

这套机制让我想起写论文赶deadline的经历。如果没有一个"提前预警"的机制提醒你还剩多少时间，很可能就是在电脑突然死机或者系统强制关机的那一刻，才发现自己几个小时的心血一个字都没保存。软时限的存在，本质上是给系统留出"体面收尾"的空间，这比一刀切的硬性截止要人性化得多，也更能保住已经完成的有效劳动。

训练：把两条扩展路径变成真本事

光有环境和协调机制还不够，得有一套训练方法把这些能力真正教给模型。

Apodex的训练分两个阶段。第一阶段是监督微调（SFT），把通用推理、工具使用、搜索、文件处理、代码、数学、科研和金融推理、专业交付、多智能体协作这些领域的数据统一成一套结构化的交互格式，让模型在一个策略里同时学会这些行为，而不是分裂成互不相通的专项模式。

第二阶段是强化学习，这里报告介绍了一个叫PIVOT-RL的方法，我觉得是整篇报告里工程含量最高的一个细节。

**PIVOT-RL**：一种针对长任务轨迹的局部化强化学习方法，先通过事后分析找出轨迹中真正出问题的"关键转折点"，保留转折点之前有用的部分，只针对转折点之后的部分构造带有简短纠正提示的续接任务进行强化训练。

这个设计要解决的问题是：一个长达几百步的任务轨迹，如果最后结果是失败的，那前面九十步可能都做对了，只是第一百步走岔了；而只用最终结果去打分，会让模型误以为前面九十步也是错的，这种粗糙的信号会严重拖慢学习效率。

打个比方，这有点像给一场长达三小时的足球比赛复盘。如果裁判只看最终比分说"你们输了，所以整场比赛都打得不好"，球员根本不知道具体是哪个战术决策出了问题；但如果专业教练能精确指出"第67分钟那次传球失误直接导致了丢球，前面66分钟的配合其实是有效的"，球员才能真正学到东西，下次针对性地改进那一个环节，而不必把整套打法推倒重来。如果不做这种精细定位，模型的学习效率会大打折扣，因为它没法分清楚哪部分决策才是真正需要修正的。

报告里给出的训练曲线显示，在搜索、知识、科学这三类留出的评测任务上，随着强化学习计算量的增加，分数持续稳定上升，这说明这套局部化优化的思路是真正有效的，不是纸上谈兵。

数据说话：Apodex 1.1到底表现如何

讲了这么多设计理念，最终还是要看数字。报告给出的评测覆盖了专业工作、金融、科研、通用推理、数学、代码这几大领域，采用两种执行模式对比：ReAct模式代表模型本身的原始能力，Agent Team模式代表加上团队协同后的系统能力。

在专业工作能力测试GDPVal上，Apodex 1.1用Agent Team模式拿到78.8分，比ReAct模式的69.5分高出9.3分，而对照组里表现最强的Claude Opus 5拿到89.4分。在APEX-Agents测试上，Apodex 1.1的Agent Team达到38.5分，相比前一代Apodex 1.0的16.5分，提升超过一倍。

金融领域的FrontierFinance测试上，Apodex 1.1的Agent Team拿到54.3分，是所有对比模型里最高的一个，超过了Claude Fable 5的49.2分。

科研能力测试FrontierScience-Research上，Apodex 1.1的Agent Team达到63.3分，同样是对比中的最高分，超过了DeepSeek V4 Flash的55.0分。

| 测试项目 | Apodex 1.0 | Apodex 1.1 (ReAct) | Apodex 1.1 (Agent Team) | 对比最佳外部模型 |

| APEX-Agents | 16.5 | 34.4 | 38.5 | 42.3 (Claude Opus 5) |

| GDPVal | 59.3 | 69.5 | 78.8 | **89.4 (Claude Opus 5)** |

| FrontierFinance | 40.3 | 48.7 | **54.3** | 49.2 (Claude Fable 5) |

| FrontierScience-Research | 28.3 | 55.0 | **63.3** | 55.0 (DeepSeek V4 Flash) |

| Humanity's Last Exam | 49.0 | 53.2 | 56.1 | 64.7 (Claude Opus 5) |

数学能力上的进步尤其显眼。在IMO 2025竞赛级别的评测里，Apodex 1.0用Agent Team模式只能拿到12.5分，而Apodex 1.1的Agent Team模式拿到36.5分，超过了国际数学奥林匹克金牌线35分的门槛。IMO 2026和USAMO 2026上也都跨过了各自的金牌门槛，分别是30.5分对29分和26.5分对25分。这意味着这套系统在竞赛数学的证明题上，达到了人类顶尖学生金牌选手的水平线。

值得一提的是,报告没有回避自己的短板。在一项叫FrontierResearchBench的高难度端到端科研测试里，即便是表现最好的外部模型GPT-5.6-Sol和Grok-4.6，也只能完整通过20.6%的任务，而Apodex 1.1的Agent Team模式是12.4%。报告直接写道，可靠地完成一整套指定的科研流程并交付每一个要求的产出物，对所有被测系统来说仍然是件难事。这种坦诚反而让整份报告的可信度更高。

小模型也能打：35B的效率验证

最让我觉得有意思的一组数据，是关于35B参数的迷你版本Apodex 1.1 mini。

**参数量（Parameters）**：模型内部可调整的数值总数，通常被认为和模型能力大致相关，参数越多理论上能学到的东西越复杂，但也意味着更大的计算和部署成本。

在FrontierFinance测试上，这个35B的小模型用ReAct模式就拿到40.0分，比自己的上一代Apodex 1.0 mini的33.2分提升明显；加上Agent Team协同后进一步冲到50.2分，超过了几乎所有开源对比模型，包括参数量大得多的DeepSeek V4 Pro的45.5分。

这组数据说明的道理其实挺朴素:环境扩展和协同训练这两条主线带来的提升，并不只是靠堆更大的模型才能兑现,一个体量小得多、可以本地部署的模型，同样能享受到这套方法论带来的红利。这对于那些没有海量算力、又想在本地跑一个靠谱agent的团队来说，是个挺实在的信号。

光看结果不够，还要看过程靠不靠谱

报告的最后一层评测叫HDS6，这是我觉得整份报告里最有诚意的一部分。

**HDS6（Heavy-Duty Solver六维分析）**：一套专门评估执行过程质量而非只看最终结果的评测框架，涵盖长程状态连贯性、证据可信度、假设管理、边界与失败推理、工具使用与执行状态管理、验证下的自我纠正这六大能力维度，每个维度下设四个评分项，另外加一道诚信关卡。

为什么要专门评过程？因为一个任务哪怕最终结果对了，也可能是靠瞎猫碰上死耗子，中间的推理过程可能是混乱的、证据是编造的、失败后没有任何反思。报告特别强调了一个诚信关卡：如果轨迹里出现了虚构的工具调用结果，或者叙述了一个实际上根本没发生过的动作，整条轨迹的分数直接归零，不管最终结果表面上看起来多漂亮。

这个设计思路让我想起考试作弊被抓的处理方式：哪怕一份卷子的每道题看起来都答对了，一旦查出是抄袭或者伪造答题过程，这份卷子的成绩会被直接作废，而不是按部分正确打折扣分。这种"一票否决"式的诚信机制，比单纯看最终得分要严格得多，也更符合真实工作场景里对可信度的要求。如果不设这道关卡，模型完全有可能学会一种投机取巧的策略：编造一个看起来天衣无缝的执行过程，最后凑出一个正确答案，但这种"蒙对了"的能力和真正解决问题的能力是两回事，一旦遇到没见过的新情况就会露馅。

从HDS6的雷达图对比来看，Apodex 1.0到1.1之间提升最明显的两项分别是初始任务分解（提升1.3分）和最终验证（提升0.8分），这恰好呼应了前面提到的任务看板机制和验证体系的加强，说明系统层面的改进确实体现在了执行过程的质量上，不是空口白牙。

写在后面

读完这份报告，最让我意外的其实不是那些排名对比的分数，而是报告花了大量篇幅去讲"什么时候不该做什么"。

比如非对称验证那部分，明确说验证智能体的任务必须比生成任务窄，不能让它重新做一遍整个问题。这背后其实是承认了一件很反常识的事：让一个足够聪明的模型去检查另一个模型的工作，并不会自动带来更可靠的结果，因为检查者可能陷入同样的思维误区。这一点在人类社会里其实早就被验证过无数次，同行评审出问题、审计报告漏洞百出，本质上都是"检查者和被检查者共享盲点"的问题，只是这次它被明确写进了AI系统的设计原则里。

还有一处细节让我觉得挺有意思，报告里提到"发布租约"机制的设计初衷，是防止多个智能体分支同时往同一个交付目录里写东西造成冲突。这其实是分布式系统里经典的并发写入问题，被原样搬到了多智能体协作的场景里。这说明所谓的智能体系统工程，很大程度上是在把过去几十年软件工程和分布式系统积累的经验，重新应用到一个新的载体上，而不是凭空发明了一套全新的东西。

有一个问题我还没想明白：当一个系统的诚信关卡靠的是"检测虚构的工具调用结果"，那这套检测机制本身的可靠性边界在哪里？如果模型学会了生成更精巧的虚假痕迹，这道防线还能撑多久？

Q&A

Q1：Apodex 1.1和上一代Apodex 1.0相比，最大的进步是什么？

A：在多个专业任务测试上都有大幅提升，比如APEX-Agents测试从16.5分涨到38.5分，数学竞赛IMO 2025从12.5分涨到36.5分并跨过金牌线，同时新增了任务看板、异步人工介入、非对称验证等一整套协同机制。

Q2：为什么一个35B参数的小模型也能表现这么好？

A：因为Apodex团队的核心方法是靠更丰富的可执行训练环境和更聪明的多智能体协同机制来提升能力，这两条路径对小模型同样有效，不完全依赖堆参数量，所以Apodex 1.1 mini能在FrontierFinance等测试上追平甚至超过参数量更大的开源模型。

Q3：HDS6评测和普通的准确率测试有什么区别？

A：HDS6专门评估任务执行的过程质量而不只是最终结果对不对，包含证据可信度、失败后的自我纠正等六个维度，还设有诚信关卡，一旦发现虚构的工具调用记录，整条任务轨迹的分数会被直接判零。