Best-of-N、rejection sampling 和 rubric-based ranking 都假设你已经有可靠的方法来评估候选答案。这一假设在开放式的探索和研究任务中不成立，因为这些任务没有标准答案可供排名。

Apodex 是一个为深度研究而构建、自我进化的职责重型求解器，它转而专注于验证。其方案通过智能体团队扩展验证能力，采用“生成 - 验证 - 修订”循环（无需参考解法），并明确针对“伪正确性”——即答案在自身校验中存活下来，但实际是错误的。

更广泛的问题是：更强的研究型智能体将更多地来自扩展生成能力，还是来自构建更好的验证系统？这项研究显然押注于后者。

博客：http://apodex.com/blog/apodex-1.0 目前可在 http://apodex.ai 免费试用

Apodex | 自我进化的重型求解器

来源：https://www.apodex.com/blog/apodex-1.0

今天，我们发布 Apodex-1.0，这是我们最新的深度研究模型，运行方式为标准的使用工具的 ReAct 智能体。当我们将其部署在重型模式（一种异步智能体团队，在作答前进行专业化分工、交叉验证并审计自身证据）下时，同一模型成为 Apodex-1.0-H，即我们的旗舰级重型求解器，并在开源与闭源模型的深度研究基准测试中达到了新的最优水平。

当前，智能体遇到的最棘手研究问题并不受限于模型容量，而是受限于模型被允许交互的范围。长周期研究有一个共同的结构性特征：单次前向传播不够用，单个上下文窗口容纳不了全部工作。这些任务要求推理与检索、工具使用和验证交错进行，持续数百步并分多个并行分支。其可靠性不能只来自模型的参数化记忆，而必须来自发现性智能：通过主动与外部世界互动进行推理，并在提交答案之前对这种互动进行自我检查的能力。

通过智能体团队扩展推理

Apodex 通过拓宽框架而非延长单一循环来扩展发现能力。它不是让一个智能体承担全部认知负荷，而是由编排器调度一个重型智能体团队，其专业化子智能体并行探索，并由全局验证器在提交任何答案之前审计已汇集的证据。这种组合带来了出色的结果：在部署中，它能在单个任务中协调多达 150 个子智能体，执行超过 15,000 步，并在公开深度研究套件（BrowseComp、BrowseComp-ZH、DeepSearchQA、HLE 和 FrontierScience 基准）上全部达到新的最优水平。

两个共同设计的部分使之成为可能：带有全局验证的重型智能体团队 和 AgentOS，一个与任务无关的运行时环境。

Apodex 的定位

Apodex-1.0 与最先进的智能体及智能体基础模型的对比。

我们报告的是竞争模型最新的公开基准结果。详情请参见我们的 GitHub (https://github.com/ApodexAI/AgentHarness) 和 Hugging Face (https://huggingface.co/collections/apodex/apodex-1)。

掌控深度研究基准测试

随着人工智能从回答问题转向执行复杂任务，导航、解析和综合开源网络信息的能力成为关键的差异化因素。如上图所示，在搜索套件中，Apodex-1.0-H 在 BrowseComp（90.3）、BrowseComp-ZH（84.1）、DeepSearchQA（94.4）以及使用工具的纯文本 HLE（60.8）上设立了新的最优结果——在 BrowseComp 上略胜 GPT-5.5-pro，在 DeepSearchQA 上领先 Claude-Opus-4.8 和 Kimi-K2.6。在科学研究方面领先幅度更大：Apodex-1.0-H 在 FrontierScience-Research（46.7）、FrontierScience-Olympiad（87.4）和 SuperChem（74.2）上均排名第一——在每个指标上分别以 8 到 12 个绝对百分点领先次优竞争者（Muse Spark 38.3、GPT-5.2 75.0、Gemini-3.0-Pro 63.2）。家族内部的对比量化了重型模式的贡献：它使基础 Apodex-1.0 在 BrowseComp 上提升了 +14.8 分（75.5 → 90.3），在 FrontierScience-Research 上提升了 +18.4 分（28.3 → 46.7）。

表 1：智能体搜索基准性能对比。 在 Humanity’s Last Exam 上，Apodex-1.0 系列和 DeepSeek-V4-Pro-Max 在纯文本子集上测试，其他模型在包含一些多模态问题的完整集上测试。

表 2：智能体科学基准性能对比。

小规模下的强深度研究

深度研究能力的很大一部分存在于训练好的模型本身，而不仅仅是测试时的扩展。为了支持社区，我们开源了一系列小模型——Apodex-1.0-mini（35B-A3B）以及 0.8B、2B 和 4B 变体。仅使用我们的深度研究 SFT 数据训练的紧凑型 Apodex-1.0-4B-SFT 在 BrowseComp 和 BrowseComp-ZH 上均优于所有开源 30B 类模型——证明了仔细的数据构造（而非仅仅参数数量）驱动研究能力。

表 3：更小的开源深度研究模型。HLE 为纯文本。粗体表示 Apodex-1.0-4B-SFT 在对应列领先。

通用广度，保持不变

深度研究的专注并未以牺牲基础模型为代价。我们的后训练旨在保持而非覆盖：在通用知识（MMLU-Pro/Redux、C-Eval）、数学（AIME 2026、HMMT）、指令遵循（IFEval、IFBench）和长上下文（LongBench v2、AA-LCR）方面，Apodex-1.0-mini 和 Apodex-1.0 与对应规模的 Qwen3.5 基础模型大致保持在一个百分点以内。编码能力也保持稳定——Apodex-1.0-H 在 SWE-bench Verified 上达到 79.0，在 Terminal-Bench v2 上达到 58.4。后训练在深度研究维度上是加性的，而非跨维度的权衡。

赌注：推理是团队运动

我们持有一种基本观点：处理困难、开放问题的可靠性不能仅来自模型的参数化记忆。扩展循环并不等同于扩展发现。 当单个智能体承担全部认知负荷时，上下文会拥塞，探索分支会相互污染，而自我反思（单个上下文窗口内唯一的验证机制）会退化。我们拒绝将轨迹长度视为能力的代理指标。Apodex 不是让一个智能体承担全部负荷，而是构建一个智能体团队：编排器分解任务，动态生成专门的子智能体用于检索和验证，并异步协调它们。

重型模式：带有全局验证的智能体团队

Apodex 智能体团队：主智能体派发专家子智能体，其报告被异步收集到共享报告池中，通过验证智能体团队路由冲突，并综合最终报告。

当训练好的模型以重型模式部署时，主智能体接收查询、分解查询，并异步生成专门的子智能体——每个子智能体拥有自己的上下文、提示和工具集——并为其分配检索和验证任务。它们的报告流入一个共享报告池，编排器异步读取其状态表，从不阻塞于最慢的任务。当两份报告不一致、某个具体主张需要依据、或草稿需要进行最终检查时，编排器将工作分派给专门的验证智能体团队——包括冲突审查员、事实核查员和草稿报告审查员。探索完成后，全局验证器对汇集的证据进行推理，生成最终答案。

这个问题带来的根本转变是：从“哪个答案最受认同”变为“全部证据支持什么。”验证在结构上外在于被审计的推理者——验证器的提示是进行评估而非延续推理，并且可以自由地不同意。在我们的部署中，此架构在单个任务内协调多达 150 个子智能体，执行超过 15,000 步——比单智能体循环的饱和点高出两个数量级。而且，重型模式消耗的步数通常比基础智能体更少，而不是更多：验证器过滤掉不产生信息增益的步骤，将计算集中到能推进解决方案的地方。

AgentOS，一个与任务无关的运行时

AgentOS 是承载智能体团队及其相关工作流的运行时，基于一个与任务无关的内核。该内核提供调度、模型和工具路由、事件流、检查点、追踪、成本核算、权限执行和可复用的智能体组件——并且对任何特定任务一无所知。设计原则是严格分离：工作流策略位于狭窄的运行时外观之上，与任务无关的执行机制位于其下。添加新应用只是一个插件代码文件夹，而不是对内核的补丁。运行时永远不会因为新任务而长出新的分支。

示例展示

用例 1：生命科学与临床医学

• 查询类型： 复杂的生物医学研究设计问题
• 问题： 如何设计一个机制验证框架，以确定一个小分子的抗肿瘤活性是否真正源于多靶点协同作用，而非预测偏差、非特异性细胞毒性或单一主导靶点？
• Apodex 输出： 提供了一个四层决策框架（靶点结合 → 因果联系 → 多靶点优越性 → 毒性排除），包含定量通过/不通过阈值、协同模型选择逻辑、CRISPR 基遗传学控制，以及明确的项目终止和重新定位条件。

用例 2：金融

• 查询类型： 复杂的金融/股票研究问题（外汇风险与指引可靠性）
• 问题： 在截至 2025 年第四季度的过去八个季度中，阿迪达斯管理层是否系统性地低估了外汇影响（相对于其自身指引）？考虑到 2026 年初美元反弹及公司披露的对冲比率政策，这段历史将如何影响 2026 财年的营业利润？
• Apodex 输出： 发现了问题中的错误前提（阿迪达斯发布季度外汇指引——它并不发布——全年指引仅为货币中性，外汇影响仅在业绩中披露），然后将问题重新表述为两个可回答的子问题：已实现的全年外汇逆风走势，以及 2026 财年指引的合理性。从原始提交材料中整理了一张八个季度的实际外汇影响表，表明管理层隐含的基线明显低于实际出现的超过 10 亿欧元的 2025 财年外汇逆风，并压力测试了 23 亿欧元 2026 财年营业利润目标中包含的 4 亿欧元外汇加关税综合逆风，相较于对冲头寸和 2026 年初美元走势是否足够。

用例 3：法律

• 查询类型： 复杂的公司法分析问题（特拉华州法律，主要权威来源引用）
• 问题： 一家公司或其其他股东能否成功挑战一项由持股比例低于 15% 的小股东出于纯粹个人敌意行使的合同否决权？该小股东通过股东协议拥有任命所有董事/高管以及预先批准所有交易的权利，适用何种法律框架（考虑 Moelis 案、DGCL §122(18)/SB 313、章程可执行性限制以及控股股东受信义务）？
• Apodex 输出： 提供了一个双理论并行诉讼策略：(A) 一项实际适用性挑战——DGCL §122(18) 使得预先批准权在与只重申 §141(a) 且从未授权否决权的章程冲突时不可执行；(B) 一项受信义务索赔，依据合同控制权将该股东视为 §144(e)(2) 下的控股股东，出于敌意驱动的否决权违反了忠实义务（不受 §144(d)(5) 保护），并在 Kahn v. Lynch 案下的整体公平审查中失败。排除了因 Moelis 案下的懈怠原则而受阻的正面攻击，全程引用主要权威来源，并说明了结论成立的三个条件（以及如果章程后来被修改，理论 A 会如何被削弱）。

现已可用

Apodex 建立在这样一种信念之上：机器推理的飞跃并非来自更大的上下文窗口或更精美的对话，而是来自重型求解器：能够有意识地与外部世界互动、在提交前自我验证、并通过启动团队而非延长单一循环来扩展规模的系统。Apodex 生成的最终报告中的每一项主张都有明确的证据链支持，并在交付前经过独立审计——这种确定性是结构性的，而非统计性的。Apodex-1.0 和 Apodex-1.0-H 现已上线，我们还开源了 Apodex-1.0-mini（35B-A3B）以及三个更小的变体（0.8B、2B、4B），供社区在此基础上进一步开发。

完整技术报告 (https://www.apodex.com/pdf/20260608) *• GitHub (https://github.com/ApodexAI/AgentHarness) *• Hugging Face (https://huggingface.co/collections/apodex/apodex-1) *• Apodex AI (https://www.apodex.ai/) *• Apodex API (https://platform.apodex.ai/)