Apodex 1.1 解析：智能指数 44 分，真正的智能体实力——以及知识可靠性的隐患

Apodex 1.1 问世仅一周，是专有模型，而直到本周之前，它在很大程度上还只是实验室里的新奇事物。随后，Artificial Analysis 发布了对其的首次独立评估——也是 Apodex 在该平台上的首次评估——排行榜出现了一个不寻常的现象：Apodex 1.1 在 Artificial Analysis Intelligence Index 上获得 44 分，在 177 个模型中排名第 11，同时其智能体工作得分超过了其智能层级中的所有模型，包括 DeepSeek V4 Pro、Qwen3.7 Max 和 Kimi K2.6。同一份报告还暴露出另一个更难看的数字：知识可靠性记录糟糕到足以让人改变在其上运行实际工作的决定。其开放权重兄弟模型 Apodex 1.1 Mini 才是大多数人真正能运行的模型。以下是这份评估说明了什么、没有说明什么，以及谁应该关注。

由陈天桥创立的 AI 公司 Apodex 于 2026 年 8 月 24 日发布了这一系列模型，同时发布了一篇 70 位作者的 arXiv 论文《Apodex 1.1: Scaling Agentic Intelligence for Complex Work》（2608.23283）。旗舰模型是专有的——据供应商报告，参数量约 397B——其核心论点是：智能体的真正瓶颈并非原始智能，而是它们所运行的执行环境。因此，Apodex 1.1 针对长时间跨度的文件处理、搜索与编程进行了专门训练，并配备一个统一的执行框架（AgentOS），可协调多达 150 个并行子智能体，并对每一步操作保留完整的溯源记录。开源部分则是其姊妹模型：Apodex 1.1 Mini，这是一个基于阿里巴巴的Qwen3.5-35B-A3B微调而来的 35B 级 MoE 模型，以 Apache-2.0 许可证发布，并附带名为 FrontierAgent 的配套智能体框架。完整模型只能通过 Apodex 自有的 API 和在线工作台访问；Mini 则要么自托管，要么不可用。

智力指数达到44意味着什么

{{1}}Artificial Analysis 智能指数是该平台基准测试套件的加权汇总，涵盖 GDPval-AA v2 和 Terminal-Bench 等智能体评估，以及推理、数学和知识类组件。{{/1}}{{2}}44 分的成绩使 Apodex 1.1 在 177 个模型中位列第 11 名，远高于 18 分的中位数。{{/2}}{{3}}这也让该模型进入了一个竞争激烈且颇有意思的梯队：Kimi K2.6（45 分）、MiniMax-M3（45 分）和 Inkling（42 分）与它的分差都在 3 分以内，而 Apodex 1.1 是该组中唯一一个一周前大多数 AI 用户还不知道名字的模型。{{/3}}{{4}}Artificial Analysis 指出，该页面介绍的是该模型的推理版本，此外可能还存在非推理版本。{{/4}}

标题指数得分并不是这个模型的趣味所在。它的趣味在于，其强项和弱项相对于该得分的位置——而层级比较正是将这一点具体化。

它超越自身级别之处：智能体与知识工作评测

在衡量真实世界智能体工作的两个Index组件上，Apodex 1.1的表现优于其44分范围内的邻近模型。在GDPval-AA v2——一个评估智能体端到端完成现实办公室风格任务能力的基准测试——上，Apodex 1.1的Elo达到1348，领先于DeepSeek V4 Pro（1333）、Qwen3.7 Max（1308）和Kimi K2.6（1202）。在TerminalBench v2.1上，该基准测试智能体在终端环境中的工作能力，Apodex 1.1得分70%，领先于Kimi K2.6（66%），略逊于Qwen3.7 Max（75%）。这些是Artificial Analysis运营的独立数据，也是报告中证明环境优先训练方法有效的最强证据。

厂商自身的基准测试声明更进一步，但在有人复现之前，应将其视为厂商自报数据：APEX-Agents 38.5、GDPVal 78.8、SWE-bench Verified 77.7%、Terminal-Bench 2.1 70.8%、Humanity's Last Exam（配合工具）56.1%、DeepSearchQA 92.4%、FrontierFinance 54.3、FrontierScience-Research 63.3。让这一智能体形象可信而非炒作的是其背后的架构：环境扩展（扩大训练中使用的可执行文件、搜索和代码环境的多样性）和智能体协调扩展（训练模型分解长周期任务、委派并行工作、整合异步结果并重新规划）。"Agent Team"模式可在检索和综合任务中派生多达150个子智能体，内置的验证步骤（"Statement Review"）会在结论交付前对其进行检查。换句话说：这是一个被设计为会犯错、自我检查并修复问题的模型——而不是从记忆中背诵事实。

所有这些自主性的隐藏代价：冗长

这种设计在Artificial Analysis的成本效益表中，表现为该模型继知识之后最明显的弱点：它非常冗长。运行完整的Intelligence Index消耗了1.8亿个输出token——而中位数为6700万——每个基准测试任务大约消耗17,000个输出token，相比之下Qwen3.7 Max约为9,400个，MiniMax-M3为8,100个。据Artificial Analysis统计，整个评估总共花费了618.41美元的API费用。

产生该账单的定价结构：每百万输入token收费0.30美元，每百万输出token收费3.00美元——其中缓存输入命中价格为0.03美元，相当于90%的折扣——按典型的7:2:1缓存/输入/输出混合比例折算，综合单价约为每百万token 0.38美元。两项按token计算的单价均高于平台中位数（输入0.25美元，输出0.90美元）。然而，Artificial Analysis的每任务成本估算仍显示，Apodex 1.1每个基准任务的成本约为0.05美元，低于Qwen3.7 Max（约0.07美元）和Kimi K2.6（约0.06美元）。这种差异的调和对于预算规划至关重要：其token价格足够低，即便模型输出极为冗长，每任务的成本依然具备竞争力——真正的成本风险在于调用量，而非单价。如果你让一个长期运行的agent跑在它上面，账单将取决于它“话”有多少，而它的话确实很多。

在您做预算之前，有一个定价说明：$0.30/$3.00 是供应商自己的标价。一个以 0% 加价直传供应商标价的路由平台，收取的正是这个数字，而且未来 Apodex 的任何降价都会在公布的当天同步生效。

问题在于：知识可靠性记录薄弱

这是发布报道大多忽略的一个数字。在Artificial Analysis的知识可靠性探针AA-Omniscience上，Apodex 1.1的得分为-21.9。它没有拒答，而是尝试回答了87%的问题，但正确率仅为32%，幻觉率高达78.4%。对于一个定位为重型求解器的模型来说，这是一种严重的分裂人格：智能体执行能力强，但扎实知识方面薄弱。

这两项事实相互关联，而非相互矛盾。智能体基准测试（Agentic benchmarks）奖励的是在环境中的行动——发出工具调用、迭代、恢复——因此模型即便回忆能力不佳，也能在此类测试中取得高分，因为环境替它完成了记忆。这种设计甚至默认了这一点：Statement Review 的存在就是为了审查输出，而工作台则围绕验证而构建，而非围绕模型凭记忆给出正确答案。务实的解读很直白：不要将 Apodex 1.1 用于依赖它从自身权重中检索事实的任务。应将其用于长周期任务，其成果可对照文件、代码和来源进行核查——并验证交付物。

开源兄弟：Apodex 1.1 Mini 和 FrontierAgent

如果旗舰紧闭的门是个问题，那么家族中敞开的那一半便是平衡砝码。Apodex 1.1 Mini 是一个总参数约35B、激活参数约3B的MoE模型，由阿里巴巴于2026年2月开源的基础模型Qwen3.5-35B-A3B微调而来，以Apache-2.0许可证发布，支持262K上下文窗口，并在Hugging Face上提供FP8、FP4和GPTQ-Int4变体。其厂商报告的招牌成绩为FrontierFinance上的50.2分（在Apodex自家对比中位列第一），以及启用Agent Team框架后APEX-Agents上的27.7分。而随附的开源运行时FrontierAgent才是真正有趣的产物：它是一款基于终端的框架，支持ReAct和Agent Team模式、沙盒文件操作、审批门、检查点与轨迹追踪，并能与任何兼容OpenAI的端点对接。

在自托管之前，有两件事值得了解。首先，Mini 是一个微调模型，而非前沿模型——阅读其基准测试数据时，应像阅读旗舰型号的供应商表格一样：这些对比无法复现、包含测试框架、且由供应商自行挑选。其次，它的行为继承自基座模型：如果你想测试底层的 Qwen3.5-35B-A3B 是否已经能完成你的任务，你并不需要 GPU 和推理服务栈来验证——基座模型只需一个 API 调用即可访问。

哪些人今天应该使用 Apodex 1.1

旗舰模型目前仍处于早期阶段，且为封闭状态，现阶段只能通过供应商自家的 API 和在线工作台使用；Apodex 表示，后续将通过主流平台提供更广泛的 API 可用性，但权重不会开放。这限制了谁能参与本周的排行榜：只有已经入驻 Apodex 工作台的团队，或者愿意注册第一方 API 密钥的团队才能参与。Mini 是更易上手的路径，但需要自行托管。

这款模型真正能发挥作用的地方在于：长周期智能体流水线，其输出会在下游得到验证——研究工作台、多步骤的文件与工具任务、终端操作——以及那些每次任务约0.05美元的成本结构能够经受住冗长输出考验的场景。而它尚不适合的地方包括：任何依赖模型自身知识可信度的任务，或是无法容忍一个未经充分验证、发布仅七天的模型行为失常的生产路径。针对这种情况，路由层正是合适的封装方案。一个API，200+模型意味着基础版Qwen3.5-35B-A3B已经可以按列表价格调用，自托管的Mini可以放在同一路由后面并具备自动故障转移功能，而且不稳定的新模型不会拖垮生产路径——当它表现不佳时，请求会转而发往健康的服务提供商。

接下来看什么

这项评估只是初步解读，并非最终定论。一个月后，Apodex 1.1 是否重要，将取决于三件事：供应商的智能体声明能否被独立复现（目前只有 Artificial Analysis 运营的 GDPval 和 TerminalBench 数据不是由 Apodex 自己产出的）；知识可靠性差距能否在非推理变体或后续版本中缩小；以及该模型是否会出现在更多 API 和更多独立评测榜单上——到那时，44 和 -21.9 就成了别人需要去超越的难题。对于一个发布仅七天、却拥有这种分化特征的模型来说，这差不多就是你能要求的全部：一个真正的智能体优势、一个诚实的定价，以及一个你在注册之前就已经知道的弱点。