Apodex 1.1 解析：智能指數 44 分、真正的智能體能力——以及知識可靠性的隱憂

Apodex 1.1 發布至今才一週，是專有模型，而在本週之前，它基本上只是實驗室裡的新奇玩意。後來 Artificial Analysis 發表了對該模型的第一份獨立評測——也是 Apodex 首次登上該平台——排行榜出現了一件不尋常的事：Apodex 1.1 在 Artificial Analysis Intelligence Index 拿下 44 分，在 177 個模型中排名第 11，同時其代理任務（agentic work）分數超越其智慧等級內的所有模型，包括 DeepSeek V4 Pro、Qwen3.7 Max 與 Kimi K2.6。同一份報告還浮現了第二個、更難看的數字：知識可靠性紀錄差到足以改變是否在它上面執行實際工作的決定。它的開放權重兄弟模型 Apodex 1.1 Mini，才是大多數人實際上能運行的模型。以下是這份評測說了些什麼、沒說什麼，以及誰該重視。

由陳天橋創立的 AI 公司 Apodex，於 2026 年 8 月 24 日推出了這個系列，同時發表了一篇由 70 位作者合著的 arXiv 論文《Apodex 1.1: Scaling Agentic Intelligence for Complex Work》（2608.23283）。旗艦模型為專有技術——依供應商報告約有 397B 個參數——其設計圍繞一個核心論點：代理（agent）真正的瓶頸不在於原始智能，而在於它們執行任務的環境。因此，Apodex 1.1 經過訓練，可在長時程任務中直接操作檔案、搜尋與程式碼，並配備一個共享的執行框架（「AgentOS」），可協調多達 150 個並行子代理，同時為每一步驟保留溯源紀錄。開放的部分是它的兄弟模型：Apodex 1.1 Mini，這是一個 35B 級的 MoE，由阿里巴巴的 Qwen3.5-35B-A3B 微調而成，以 Apache-2.0 授權釋出，並附帶一個名為 FrontierAgent 的配套代理框架。完整模型目前僅透過 Apodex 自家的 API 與線上工作台提供；Mini 則只能自架部署，別無他途。

智力指數44分意味著什麼

人工分析智慧指數是該平台基準測試套件的加權總和，包括代理型評測（如 GDPval-AA v2 和 Terminal-Bench），以及推理、數學和知識元件。Apodex 1.1 獲得 44 分，在 177 個模型中排名第 11，遠高於 18 的中位數。這也讓該模型落入一個競爭激烈且引人注目的等級：Kimi K2.6（45 分）、MiniMax-M3（45 分）和 Inkling（42 分）的差距都在三分以內，而 Apodex 1.1 是該組中唯一一個一週前大多數 AI 使用者還未聽過其名稱的模型。人工分析指出，該頁面涵蓋的是模型的推理版本，且可能也存在非推理變體。

這個模型的有趣之處不在於整體指數分數本身，而在於其優點與缺點相對於該分數的位置——而這正是分級比較所要具體呈現的。

它超水準發揮之處：代理型與知識工作評測

在衡量真實世界代理工作的兩個 Index 元件上，Apodex 1.1 的表現優於與其差距在 44 分內的鄰近模型。在 GDPval-AA v2（一項評估代理能否端對端完成真實辦公室風格任務的基準）上，Apodex 1.1 的 Elo 達 1348，領先 DeepSeek V4 Pro（1333）、Qwen3.7 Max（1308）和 Kimi K2.6（1202）。在 TerminalBench v2.1（測試代理在終端機工作的基準）上，它獲得 70% 的分數，領先 Kimi K2.6（66%），略遜於 Qwen3.7 Max（75%）。這些都是 Artificial Analysis 獨立執行的數據，也是報告中證明「環境優先訓練」有效的最有力證據。

供應商自家的基準測試宣稱更進一步，在有人能重現之前，應視為供應商自行報告的結果：APEX-Agents 38.5、GDPVal 78.8、SWE-bench Verified 77.7%、Terminal-Bench 2.1 70.8%、Humanity's Last Exam（搭配工具）56.1%、DeepSearchQA 92.4%、FrontierFinance 54.3、FrontierScience-Research 63.3。讓這個 agentic 定位可信而非流於炒作的原因，在於其背後的架構：環境擴展（擴大訓練中所使用的可執行檔案、搜尋與程式碼環境的多樣性）與 agentic 協調擴展（訓練模型分解長期任務、委派平行工作、整合非同步結果並重新規劃）。「Agent Team」模式可針對檢索與合成任務派出最多 150 個子代理，且內建的驗證步驟（「Statement Review」）會在結論送達前先行檢查。換言之：這是一個被設計來容許出錯、自我檢查並修正問題的模型——而非從記憶中背誦事實的模型。

所有這些代理能力的隱藏成本：冗長

該設計在 Artificial Analysis 的成本效率表中，顯示為該模型在知識之後最明顯的弱點：它非常冗長。執行完整的 Intelligence Index 消耗了 1.8 億個輸出 token——而中位數為 6,700 萬——每個基準任務約 17,000 個輸出 token，相比之下 Qwen3.7 Max 約 9,400 個，MiniMax-M3 約 8,100 個。根據 Artificial Analysis 的數據，完整評估總共花費了 618.41 美元的 API 支出。

產生該帳單的定價：輸入每百萬 tokens 0.30 美元，輸出每百萬 3.00 美元——快取輸入的命中價格為 0.03 美元，即 90% 折扣——在典型的 7:2:1 快取/輸入/輸出比例下，綜合約為每百萬 0.38 美元。兩個每 token 價格都高於平台中位數（輸入 0.25 美元，輸出 0.90 美元）。然而，Artificial Analysis 的每任務成本估算仍將 Apodex 1.1 定為每個基準任務約 0.05 美元，比 Qwen3.7 Max（約 0.07 美元）和 Kimi K2.6（約 0.06 美元）便宜。這種對照對於預算規劃很重要：其 token 足夠便宜，即使冗長程度很高，每個任務仍具競爭力——成本風險在於用量，而非費率。如果你讓一個長期運行的 agent 使用它，帳單取決於它說話的量，而它話很多。

在您編列預算之前，有一項定價說明：$0.30/$3.00 是供應商自己的牌價。一個以 0% 加成直接轉傳供應商牌價的路由平台，收取的正是這個數字，而且 Apodex 未來任何降價都會在宣布當天立即生效。

問題在於：知識可靠性記錄欠佳

以下是發佈報導大多忽略的數字。在 Artificial Analysis 的知識可靠性探測器 AA-Omniscience 上，Apodex 1.1 得分為 -21.9。它會嘗試回答 87% 的問題而非拒絕回答，但答對率僅 32%，幻覺率高達 78.4%。對於一個定位為重型解題器的模型來說，這是嚴重的分裂人格：智能體執行能力強，但紮實知識薄弱。

這兩個事實彼此相關，而非相互矛盾。代理型基準（agentic benchmarks）獎勵的是在環境中採取行動——發出工具呼叫、反覆迭代、從錯誤中恢復——因此模型在這些基準上可能表現出色，但記憶檢索能力卻很差，因為環境承擔了記憶的工作。這種設計甚至預設了這一點：Statement Review 的存在就是為了檢查輸出，而工作台圍繞著驗證來建構，而非圍繞著模型憑記憶就能答對。實際的解讀十分直白：不要把 Apodex 1.1 用在依賴它從自身權重中檢索事實的任務上。把它用在長跨度任務上，這類任務的成果可以對照檔案、程式碼與來源資料進行檢查——並驗證最終交付的內容。

開源姊妹產品：Apodex 1.1 Mini 和 FrontierAgent

如果旗艦的封閉之門是個問題，那麼家族中開放的那一半便是制衡之道。Apodex 1.1 Mini 是一個約 35B 總參數／約 3B 啟用參數的 MoE 模型，由 Qwen3.5-35B-A3B（阿里巴巴於 2026 年 2 月開源的基礎模型）微調而來，以 Apache-2.0 授權釋出，具備 262K 上下文視窗，並在 Hugging Face 上提供 FP8、FP4 與 GPTQ-Int4 變體。根據供應商報告，其頭條成績為 FrontierFinance 上的 50.2（在 Apodex 自家評比中居首），以及啟用 Agent Team 框架後 APEX-Agents 上的 27.7。而 FrontierAgent——隨附的開源執行環境——才是真正有趣的成果：一個以終端機為基礎的框架，具備 ReAct 與 Agent Team 模式、沙盒化檔案操作、審批關卡、檢查點與軌跡記錄，且能對接任何與 OpenAI 相容的端點。

在自行架設之前，有兩件事值得了解。首先，Mini 是微調模型，不是前沿模型——閱讀其基準測試數字的方式，應與閱讀旗艦機型的供應商表格相同：這些都是未經重現、包含測試框架、由供應商自行挑選的比較結果。其次，它的行為繼承自基礎模型：如果你想測試底層的 Qwen3.5-35B-A3B 是否已經能完成你的任務，你不需要 GPU 和一套服務堆疊來驗證——基礎模型只需一次 API 呼叫即可取得。

今天誰應該使用 Apodex 1.1

這款旗艦模型目前仍屬早期階段、採封閉模式，且僅限於供應商自家的 API 與線上工作檯；Apodex 表示，更廣泛的 API 可用性將透過主要平台提供，但權重並未開放。這限制了誰能針對本週排行榜採取行動：已使用 Apodex 工作檯的團隊，或願意申請第一方 API 金鑰的團隊。Mini 是門檻較低的路徑，但這意味著需要自行託管。

這個模型真正能立足之處是：長期性代理式管線（輸出在下游驗證）——例如研究工作檯、多步驟檔案與工具任務、終端機作業——以及那些每次任務約0.05美元的成本結構在冗長輸出下依然可行的場合。但目前它還不適用的地方是：任何依賴模型自身知識可信度的應用，或是一個無法容忍未經驗證、剛推出七天的新模型出錯的生產路徑。正是為了這種情況，路由層才是合適的包裝層。一個涵蓋 200+ 模型的 API意味著基礎版 Qwen3.5-35B-A3B 已經可以按牌價呼叫，自託管的 Mini 可以放在同一個路由器後方，並具備自動故障轉移，而且一個不穩定的新模型無法讓生產路徑癱瘓——當它表現不佳時，請求會轉向健康的提供者。

接下來要看什麼

這份評估只是初步解讀，並非最終判決。三件事將決定 Apodex 1.1 在一個月後是否重要：獨立重現供應商所宣稱的代理能力（由 Artificial Analysis 執行的 GDPval 與 TerminalBench 數據，是唯一非由 Apodex 自行產出的數字）；知識可靠性差距能否在非推理變體或後續版本中縮小；以及該模型是否會出現在更多 API 與更多獨立評測排行榜上，屆時 44 與 -21.9 這兩個數字就會成為別人必須超越的目標。對於一個才發布七天、卻呈現如此分歧面貌的模型來說，這已是所能要求的最大限度：真材實料的代理能力優勢、誠實的定價，以及一個你在註冊前就已知道的弱點。