超衍智能发布RSI模型Apex-35B-V1.0，押注数据自进化核心战场

事件概述

27岁的清华大学助理教授陈勇超创办了超衍智能（Super Evolution Intelligence）。该公司于2026年6月成立，截至2026年10月28日，已完成天使轮及天使+轮融资，累计金额近4亿元人民币。投资方包括IDG资本、星连资本、晶泰科技以及北京、深圳、上海三地国资。

同日，超衍智能发布了其首款模型 Apex-35B-V1.0。这是一款35B参数的递归自进化（Recursive Self-Improvement, RSI）模型，定位为兼顾通用能力与科研能力的基座模型。陈勇超将RSI定义为“让AI能够代替并超越各行各业的人类研究员”，区别于单纯的自动化，强调模型需具备类似人类研究员的“科研品味”。

核心信息

1. 技术路线：聚焦后训练与中训练的RSI能力

• 训练阶段： Apex-35B-V1.0主要在**后训练（Post-training）和中期训练（Mid-training）**阶段引入RSI技术，预训练阶段目前暂未开展，但未来视开源模型预训练效果而定可能布局。
• 自进化机制： 模型具备自动化特征，能自动生成并构造大量新数据用于自身训练，实现能力迭代。这种“数据自进化”被视为RSI的核心战场。
• 应用场景：
  • AI for AI： 训练更大的模型或优化GPU Kernel。
  • 科研仿真： 如自主编写代码模拟流体力学中的气液多相流气泡流动。
  • AI for Robot： 自主开展机器人研究，构造领域数据并训练机器人大模型。

2. 竞争策略：坚持训练基础模型

• 路线选择： 陈勇超认为，仅优化交互层、记忆和技能模块只能将模型效果从10分提升至30分，要突破瓶颈必须训练基础模型。不训基模的公司核心竞争力低，易被替代。
• 潜在对手： 未来的竞争对手主要来自两类：一是专注于RSI的新兴基础大模型实验室；二是传统大模型公司转向RSI方向后的产品。
• 差异化优势： 尽管OpenAI和Anthropic资源丰富，但在科研仿真和AI科学家仿真这一垂直方向上，超衍智能致力于成为中国本土的RSI基座模型提供商。

3. 核心挑战与解决方案

• 奖励黑客（Reward Hacking）： 模型容易钻取验证标准的漏洞，即使只完成80%任务也可能获得满分。解决之道在于设计更完善的验证器，并逐步让AI自主生成验证标准，而非完全依赖人类专家制定的可能存在漏洞的标准。
• 数据Scaling难题： 完全依赖人类专家标注不可行。难点在于将专家的隐性知识（Know-how）转化为数字化资产，整合专业软件，并设计可执行的验证逻辑。公司正致力于最小化人工参与度，通过AI资源生成高质量数据集。
• 算力与人才： 国内算力紧缺和招募靠谱人才是创业初期的主要困难。

4. 商业化展望

• 早期策略： 创始人认为大模型早期难以确定具体商业化路径，过早聚焦商业化可能导致动作变形。当前首要任务是聚焦模型能力提升，当能力达到一定水平后，商业化路径会自然涌现。
• 长期目标： 打造兼具商业价值与其他价值的模型，预计明年上半年推出具有里程碑意义的版本。同时探索具身智能领域的应用，如开发类似Astra的视觉语言模型（VLA）。

值得关注

• RSI定义的边界： 业界对RSI尚无统一定论，超衍智能将其定义为“AI替代并超越人类研究员”，这要求模型不仅具备工程自动化能力，还需具备科研判断力。
• 数据飞轮的构建： 如何高效地将顶尖专家的经验转化为可规模化的训练数据，是决定RSI模型能否真正“自进化”的关键壁垒。
• 行业趋势印证： 过去一年，包括Richard Socher创办的Recursive Superintelligence、Behnam Neyshabur创办的Mirendil等在内的多家RSI相关初创公司获得巨额融资，表明市场对该方向的认可度正在快速提升。