科研工作里最难的部分，不是写报告，是报告写完以后的那些破事。
处理零散论文、清洗乱七八糟的数据表格、挑统计方法、写代码跑实验、解读输出结果，中间还得根据新发现随时调整计划，最后所有结论必须能回溯到原始数据和代码——这套流程，才是真实世界里每天发生的事。大部分AI工具把“生成报告”当成终点，但Apodex 1.1说：报告写完，我的活儿才刚开始。
这家由陈天桥出资创立的AI公司，给自己定的位叫“Heavy-Duty Solver”——专啃那些没有标准答案、人类自己都不知道从哪下手的硬骨头。
2026年8月24日，Apodex 1.1正式发布，同步开源了36B参数的mini模型和FrontierAgent执行框架。它的核心主张很简单：能输出答案，和能可验证地把一整套复杂任务执行到底，是两件完全不同的事。
Apodex这次同步公开了六大基准的横向对比数据，把所有人的底牌都晾在了台面上。
- FrontierScience-Research（科学研究）上，Agent Team模式干到63.3分，把DeepSeek V4 Flash的55.0分甩开一截；
- FrontierFinance（金融分析）上，54.3分压过了Claude Fabio 5的49.2分。
自家比自家，Agent Team比ReAct模式平均高出七八个点，比Apodex 1.0更是翻倍地往上涨。
你以为AI在干活？它只是在写报告
大多数AI深度研究工具的工作流长这样：你丢一个问题进去，它搜一堆网页，拼一篇报告出来，结束。这套逻辑对付写文献综述还行，但真实科研不是这么玩的。
真实科研的数据长什么样？PDF、CSV、Excel、图像、实验导出文件、领域专属格式——全是异构的、 messy的、需要亲手处理的。一个Agent如果只能在网页文本里打转，面对原始实验数据就直接抓瞎。
Apodex 1.1给出的解决方案是：不让模型把复杂问题简化成问答来回避数据复杂性，而是逼它在原始文件环境里走完整个工作链路。搜索、文件读写、代码运行、工具调用不是附加功能，是模型推理落地现实环境的手段。
举个例子：分析EASIX对异基因移植后EBV再激活患者生存期的预后影响。完整流程包含读取原始数据表与数据字典、数据清洗、选择统计方案、运行生存分析代码、输出KM曲线与统计表。遇到缺失值、格式异常、统计假设不满足时，系统要说明调整逻辑继续推进，而不是直接报错或给一句模糊的“无法处理”。
同类场景覆盖材料科学的XRD衍射索引精修、生物信息的蛋白小分子批量对接、合金纳米压痕曲线拟合。这类任务的输入就是原始实验数据，Agent必须真正操作文件与代码，不能只做表面总结。
这就怪了——市面上那么多号称“深度研究”的AI，为什么偏偏卡在了这一步？
一个Agent搞不定的事，一百五十个呢
答案藏在Apodex 1.1最核心的机制里：异步代理团队。
主Agent接到任务后，不是自己埋头干，而是把任务拆解成子问题，异步派发给专门化的子Agent。每个子Agent有自己独立的上下文、提示词和工具集。子Agent的报告汇入共享报告池，编排器异步读取，不会被最慢的那个卡住。
单次任务最高可调度150个子Agent，执行超过15,000步。
但这里有个反直觉的发现：重型模式的实际步数往往少于基础模式，而不是更多。为什么？因为验证器会过滤掉不产生信息增益的步骤，把计算资源集中到真正能推进解决方案的环节。
换句话说，人多不一定动作多——关键是每一动都要打在点上。
这套机制的底层由一个专门的AgentOS驱动，与执行任务严格分离。它只负责通用底层事务：Agent调度、模型和工具路由、事件流、检查点和追踪、成本记账、权限管理。这种设计的精妙之处在于：添加新应用时只需一个插件代码文件夹，底下的调度、路由、记账、追踪这些基础设施全部现成，不用动内核一行代码。
事情没那么简单！代理团队再多，如果各说各话、互相矛盾，谁来当裁判？
自己查自己？这套验证机制不一般
Apodex 1.1内置了一套三层自我验证机制。
第一层：当子Agent报告出现分歧时，冲突审查员介入。
第二层：具体声明需要落地验证时，事实检查员介入。
第三层：草稿完成时，草稿审查员过一遍。
最后还有一个全局验证器，对所有汇集的证据做终审。这个验证器在结构上独立于推理器，被明确提示去“评估”而不是“继续推理”——它有权推翻前面的结论。
这就解决了一个老大难问题：AI自己检查自己，跟让考生自己改自己的卷子有什么区别？区别在于，验证器不是同一个模型、不是同一个上下文、不是同一个任务目标。它是一个独立的、被专门训练来“找茬”的评审。
但即便有了这套机制，还有一个致命问题：科学研究里，正确的答案可能根本没人知道。你拿什么来验证？
没答案的问题，怎么打分
2026年8月18日，Apodex推出了一个叫TRACES的基准测试。跟传统AI基准测试不同——后者依赖静态数据集和预置答案——TRACES把AI系统放进可执行环境里，让它们观察、行动、使用工具、接收反馈、调整方案，最终奔向一个可验证的结果。
TRACES要评估的是Apodex所说的“发现式AI”——从现有知识中识别新发现，而不是复现训练数据里已有的信息。
具体怎么打分？TRACES评估六个维度：工具选择与正确解读、收到反馈后识别和修正错误、竞争性假设的考量与修订、长序列求解中的逻辑一致性、结论是否扎根于观测/数据/实验/引用、结论适用范围界定是否准确。
更重要的是，TRACES不只评估最终答案，还评估过程。Apodex的AI研究科学家Brian Wang说得很直白：“在科学发现中，答案是几百个判断末尾的一行字——下一步试什么、证据够不够、什么时候放弃一个假设。能力就长在那里，只给最后一行打分，等于扔掉了几乎全部。”
TRACES已经汇编了423个高价值问题，来自16个行业的561个产业领域的调研。
这就引出一个更棘手的问题：如果一个AI系统能在未知答案的科研问题上做出可验证的新发现，它算不算在“做科学”？
开源：把重武器交给所有人
Apodex 1.1的发布包含三条产品线：
Apodex 1.1旗舰版——功能最强大的前沿模型，通过在线工作台apodex.ai获取。
Apodex 1.1 mini——36B参数的开源模型，可在本地运行。Hugging Face上同时提供了FP8、NVFP4、GPTQ-Int4等多种量化版本。
FrontierAgent——开源、可本地部署的研究工作台。
FrontierAgent这个框架有点意思。它提供两种原生工作流：
ReAct模式——一个有状态的Agent负责研究、读写文件、运行命令，在任务沙盒里迭代。
Agent Team模式——协调员维护任务看板，把独立工作委托给并行子Agent，收集报告，合成结果。
沙盒文件系统是这样划分的：/inputs只读，/workspace是工作区，/outputs存放最终交付物。所有变更操作都显示差异对比，需要审批才能执行。会话有检查点，每个动作本地留痕，/revert可以恢复会话变更，--resume可以继续已保存的运行。
这个设计解决了一个实际问题：长时任务跑了几十分钟，中途断电或出错怎么办？不用从头再来，直接从检查点恢复就行。
20亿美元的赌注
Apodex的前身是陈天桥于2025年联合清华大学副教授代季峰创建的MiroMind。2026年4月，MiroMind向海外用户发邮件告知品牌更名为Apodex。据Bloomberg今年3月报道，盛大集团对“发现式智能”方向的总投入承诺达20亿美元，对MiroMind的直接投资已超1亿美元。团队超过60名科学家，分布在新加坡、东京和西雅图。
Apodex这个名字取自希腊语apodeixis，意思是“论证”或“证明”。
Apodex 1.0在今年6月发布时，已经在7项深度研究基准上刷新了SOTA。BrowseComp 90.3，超过GPT-5.5-pro；DeepSearchQA 94.4，超过Claude Opus 4.8和Kimi-K2.6；科研类三项基准分别领先竞品8到12个绝对百分点。
但Apodex 1.1最让人在意的，不是这些跑分。
等等，有个细节没人提
Apodex官方技术报告里写了一个数据：单次任务最多可调度150个子Agent、执行超过15,000步。但官方同时说，重型模式的实际步数往往少于基础模式。
这个矛盾怎么解释？验证器过滤掉了不产生信息增益的步骤——也就是说，Apodex 1.1的“智能”很大程度上体现在“知道什么不用做”上。
但问题来了：验证器怎么判断一个步骤“不产生信息增益”？如果判断错了，把关键步骤过滤掉了怎么办？验证器本身需不需要被验证？
官方文档提到“全局验证器可以推翻前面的结论”，但没有说谁来推翻全局验证器的结论。这是一个递归问题：验证验证者的验证者，终点在哪里？
Apodex的自我进化闭环通过预训练、后训练和Harness实现，但自我进化的停止条件是什么？如果一个系统可以无限自我改进，它最终会收敛到一个稳定状态，还是陷入无休止的自我推翻？
TRACES基准试图通过“过程验证”来解决这个问题——不仅看答案对不对，还看推理过程合不合理。但过程验证本身仍然依赖评估者的判断，而评估者本身也是一个模型。
这个循环，目前还没人知道怎么打破。
网友灌水
其实就是 Qwen 3.5 的变体。3.5 版本已经是老古董了，就像 Ornith 一样，想看看它能不能直接超越 Qwen，恐怕很难。3.8 版本已经相当强大了，而且只会越来越好。