Apodex 1.1：35B 参数打进前沿，靠训练环境和智能体协同

会答题的模型，为什么干不完一件真活？

先把镜头对准 2026 年一场残酷的实测。研究者给当前最先进的一批模型 agent 布置了 20 个真实的软件工程任务，小的像把一个 7 万行 Java 图形库移植到 Rust，大的像从零重写一个带 129 个 API 的聊天软件。1300 次完整尝试跑下来，没有任何一个配置的通过率超过 30%。单个任务平均要烧掉 2720 万 token，专家人类估计完成同样的工作要 40 到 400 小时。SWE-Marathon

更扎心的是失败原因的构成。这些模型不是不会写代码，失败的第一大主因是实打实的实现错误，占 41.6%；第二大是超时，占 31.4%；而排第三的失败模式，占 15.4%，干脆来自 reward hacking，也就是模型学到钻评分规则的漏洞而不是把活干完。用"会答题"的标准看，这些都是顶配选手，IMO 级别的数学题也拦不住它们。可一旦坐上那张要连续干几小时、几十小时的真活儿的桌子，它们集体失灵。SWE-Marathon

问题出在哪？真活儿要求模型持续操作文件、搜索信息源、执行代码，同时维护任务状态、出错后自我恢复、最后交付一份能被客观验收的成果。单轮推理里根本没有"状态"和"验收"这两个词。2025 年以来，行业里最聪明的那些系统集体撞上了这堵墙：benchmark 分数一路飘红，落地干活却一路翻车。

Apodex 1.1 这篇论文（arXiv:2608.23283，2026 年 8 月提交）把这条缺口命名为 working capability（工作能力）：对真实目标持续、可验证地取得进展的能力，衡量单位是"干完的活"，而不是"一次回答"。它把工作能力拆成三根骨架：状态维护、失败恢复、可验证交付。更重要的是，它把问题本身重新定义了一遍：2026 年的模型干不完长时工作，到底是模型不够聪明，还是我们从来就没给模型搭过一块能干活的场地？Apodex 1.1

这一章的图用来建立"长时工作到底有多重"的直觉。下面这张散点图把 SWE-Marathon 放进了 14 个同类 benchmark 的时间维度谱系里：

图注：横轴是各 benchmark 的发布年份，纵轴左侧是单任务耗时（小时，对数刻度），右侧是人类专家解决时间。红色高亮的 SWE-Marathon 位于最右端，人类解决时间接近 4 周，明显长于其余全部 benchmark。图的原始说明还报告了单次 rollout 平均 27.2M token、右尾达 877M token 的开销，这两个数字不显示在图中；红色高亮只是视觉强调，不代表性能排名。SWE-Marathon

论文的第一层答案：一个任务契约，两条扩展主轴

面对这道题，聪明的做法不是继续堆参数或堆 prompt，而是先回答一个更基本的问题：什么叫"一件活干完了"？Apodex 1.1 的第一步，是用一份形式化的任务契约（task contract）把"复杂工作"变成可工程化的对象。

这份契约是一个九元组，本质上是甲方和乙方之间的一份标准工作合同：

$$\mathcal{E}=(W,W_0,q,\mathcal{A},\mathcal{T},\Omega,\mathbf{B},D,V_D)$$

用大白话把这九项拆一遍：$W$ 是工作区状态，$W_0$ 是开工时的初始状态，$q$ 是目标，$\mathcal{A}$ 是模型允许执行的动作集合，$\mathcal{T}$ 是状态迁移规则，$\Omega$ 是模型的观察界面，$\mathbf{B}$ 是资源预算，$D$ 是交付契约，$V_D$ 是任务级验证器。一条执行轨迹由验证器打分，分数 $S_D=V_D(W_0,W_H,\tau_H)$。这套形式化不是论文在炫数学，它是后面两条扩展主轴的公共底座：不管往哪个方向扩展体系，最终都能落回"交了什么、验了什么、合不合格"这几个问题。

在这个底座上，论文提出两条互补的扩展主轴，并强调它们服务于同一条训练纪律。第一条叫 Environment Scaling（环境扩展），改变模型必须泛化其上的可执行任务契约分布。注意这里的措辞：不是加更多工具、不是生成更多 prompt，而是把"考场"本身换成可执行、可验证的真实世界。第二条叫 Agentic Coordination Scaling（智能体协同扩展），改的是同一份契约内工作的组织方式：训练模型学会分解长时任务、委派并行子任务、整合异步结果、必要时重新规划。

下图是全文的路线图，一条受控的能力发展闭环：

图注：闭环流程图。顶部是观测到的能力缺口，经任务管线流向两条并列的主轴 Environment Scaling 与 Agentic Coordination Scaling；它们分别产出可执行环境轨迹与协同恢复轨迹，汇入统一训练（SFT + agentic RL），最后经模型与系统评估，由左侧蓝色反馈箭头折回能力缺口。它是逻辑闭环而非时间序列，图中只有能力维度、不画参数量。Apodex 1.1

把这张图读清楚，就读懂了整篇论文的架构主张：环境扩展和协同扩展是两条产线，生产的是训练原料，也就是可执行的轨迹；统一训练把轨迹变成可靠行为；评估、真实失败和人类反馈，决定下一轮该扩什么。论文特别点明，训练不是第三条独立的 scaling 轴，它是把前两条轴的产出变成行为的加工环节。换句话说，Apodex 1.1 没有发明一种新的模型架构，它发明了一套"把真实工作搬进模型可训练、可评估、可验证的形式"的框架。后面两章分别走进这两条产线，看看各自到底做了什么。Apodex 1.1

扩张主轴之一：把考场换成可执行、可验证的真实世界

先说为什么"换考场"比"教模型"更根本。想让模型在真实工作里可靠，就得先给它一个"真活可以被机器判分"的考场。如果训练环境里只有问答式任务，模型学到的是答题；如果环境里有可执行的文件系统、可搜索的信息源、可运行的代码，模型才有机会学到干活。这就是 Environment Scaling 的核心主张：改变任务分布本身，而不是模型参数。

论文把环境分成三个家族，每个家族对症一个不同的瓶颈：

三张表的共同点，是那个反复出现的词：独立可恢复的证据（independently recoverable evidence）。一个分级量，要么能被代码从权威来源重新算出来，要么能经由记录溯源连到一份真实文档。这条原则是整套环境设计防 reward hacking 的底气：模型想蒙混过关，就得伪造一条能被复核戳穿的证据链。

构造上有条重要的经济原则：正向便宜、逆向昂贵。正向生成环境实例很便宜，但逆向验证环境的质量很难，所以合成任务都要过对抗性探针测试，确保"看起来能过"的任务真的能过。每次运行的 replay 记录也完整留档：世界种子、生成器版本、工具版本、动作观察序列、文件变更、验证器版本、终止原因，全部可回溯。这也是整套体系能沉淀成训练数据的根基，环境造得真，轨迹才可信。Apodex 1.1

这条"把环境当平台来造"的思路并不孤单。Meta 的 ARE 平台在同一条主线上走得更工程化，把环境做成事件驱动、异步运行、可挂真实应用的模拟器，再配细粒度的 verifier 给每次交互判分。行业和学术两边的动作合起来看，"改造环境"已经是 agentic 训练在 2025 到 2026 年的一条公认主线，Apodex 是把这条线推到自家统一环境栈上的代表之一。ARE

扩张主轴之二：让模型自己学会分解、委派、整合

考场换好了，接下来是第二件难事：一件要干几个小时的活，往往不是一个人干得完的，哪怕这个"人"是个大模型。真实的长时工作天然是并行的，要同时查资料、写代码、跑实验、复核结论。Apodex 1.1 的第二条主轴 Agentic Coordination Scaling，训练模型在长时任务里学会四件事：分解、委派、整合、重新规划。这套协同能力在运行时由一个叫 Agent Team 1.1 的组件落地，比上一代 v1.0 多了四个新能力。

最关键的结构变化，是把 1.0 的 Agent Team 架构外化到一张持久任务板上（External Task Board），它是四件新增能力的公共载体。先想一个场景：一个装修队开工，如果每个工人只靠记在自己脑子里的清单干活，互相靠喊话对齐进度，这个工地迟早乱套。Agent Team 的做法是给工地挂一块共享白板，每一项工作都有稳定的编号、目标、负责人、依赖关系、返回结果引用和状态（进行中、已解决、已取消）。运行时、模型、人类三方都能读写这块白板。它的意义在于，任务状态从"拼接的消息历史"里被搬了出来，不再是模型上下文里一段随时会失真的对话，而是一个运行期共享、可查询、可修改的工程对象。这块白板正是"让模型学会当包工头"的物理载体，而这块共享白板正是 AgentOS 上模型、人类、运行时三方共享的协调状态记录。Apodex 1.1

配合任务板的是四件新增能力。异步人工干预：用户可以在任务中途提出需求澄清、调整优先级、追加新证据、临时收紧工具或预算约束，甚至暂停、恢复、取消，这些都以轨迹级事件处理，而不是推倒重来。非对称验证：验证器不再把"整个问题重新做一遍"，而是只接收"一条具体论断、支撑它的证据和适用的交付约束"，把验证做成窄任务，避免验证器复制主模型的同一套错误。自适应最大团队努力（adaptive Max Team Effort）：额外调查只追加到那些薄弱、有争议、承重的论断上，而不是给每条论断都堆算力。第四件是证据锚定综合（evidence-grounded synthesis）：最终交付物由任务板终态、各子 agent 报告、检索证据、产物和验证结论合成，产出带"论断-证据"图的结果，而不是主 agent 的最后一条消息。

下图是 Agent Team 在共享 AgentOS 上运行的结构：

图注：三层架构图。协调层有实时用户干预、协调器 ReAct 循环、位于模型消息历史之外的 External Task Board，以及暴露运行期执行状态的 Agent Bus；执行层是子 agent 会话与候选工作区；文件系统与发布层是 /inputs、/outputs，以及经 Publisher Lease（单发布者租约，同一时间只有一个会话持有提交权）和 Manifest Gate 的发布流。不同颜色箭头代表协调流、候选流、发布流、用户通道等数据通路。Apodex 1.1

这一章值得放一个对照坐标。早在 2025 年年中，社区已有协议级的协同方案，比如 AgentOrchestra：一个中心 planner 加五个专门化子 agent，通过 TEA 协议的三层抽象做编排，用外部协议把工具、环境、智能体统一管理起来。那套方案证明"协同"可以靠工作流引擎调度出来。Apodex 的分野在训练设计上：它主张协同不靠外部协议把组件拼起来，而是把协同轨迹送进统一训练，让同一个模型在不同子任务上扮演不同角色，希望在 SFT 加 agentic RL 的循环里把协调能力练进策略本身而不是写进工作流定义。一个是外挂的调度器，一个把协调写进训练目标。但这里必须把话说严谨：现有的系统和实验结果合在一起，也不能单独证明协同具体发生在哪一层内部表征上。成绩单上的提升来自策略与系统组件的合力，任务板、Agent Bus、发布租约这些外化机制本身就承担了大量协调工作，论文没有给出证据把功劳单独记给模型内部的某个表征层。两条路线各有取舍，Apodex 明确押注后者。AgentOrchestra

地基与训练：没有可验证的轨迹，就没有可靠的强化信号

两条扩展主轴的产出，最终都要变成模型行为，这就要靠底座和训练了。先说底座。两条轴之下是一个跨工具、跨智能体维护任务状态与溯源的共享运行时，叫 AgentOS。

AgentOS 的工作区是一个六元状态，包含文件、检索证据、可执行状态与日志、产物索引、依赖图和运行控制状态。每次运行拿到三个文件系统命名空间：/inputs 只读，是喂给模型的材料；/workspace 是生产区；/outputs 是最终交付物的收集区。这里藏着全篇最巧妙的一个机制细节：单发布者租约（single-publisher lease）加准确清单门（Manifest Gate）。

用一句话讲清楚它的作用：/outputs 这扇门同时只允许一个会话持有提交权，提交时必须声明一份精确的路径清单，结束时每个条目都要和授予租约时拍的基线快照对账。想用空文件或过期文件蒙混过关，对不上账，直接被拦下。"可验证交付"至此从一句口号变成一套机制。Apodex 1.1

验证也有三层结构。第一层是环境的可执行结果检查，比如代码世界的测试通过；第二层是产物与溯源检查，检查交出的整个工作区；第三层叫 Statement Review（声明审查），只针对关键论断做"故意比生成更窄"的验证：给它一条具体论断、支撑证据和交付约束，而不是整个任务。这条窄化是有意的。让一个独立验证器把整个问题重做一遍，只是复制了同一套错误；要发现问题，不如盯住每一条论断本身，把它当一条可被证伪的声明来审。

这套"让执行场景可判分"的工程哲学，放在社区坐标系里并不孤单。一篇 2026 年 5 月的综述把这类软件层统称为 agent harness，给出三层分类，并把 Plan-Execute-Verify 识别为社区共同的控制模式，AgentOS 是其中一种具体实现。值得注意的是，该综述只覆盖到 2026 年 5 月，看不到本篇论文，所以它只能当坐标系，不能当评价者。Code as Agent Harness

接下来是核心问题：有了能产生可验证轨迹的环境和运行时，怎么把轨迹变成可靠行为？训练分两步。第一步是统一的 SFT：把通用推理、工具使用、搜索、文件交互、编程、数学、科研金融推理、专业交付、多智能体协同混成一个混合集，统一成带类型角色的状态化交互 schema，过滤掉工具调用非法、状态丢失、忽略观察、交付不完整的轨迹，然后用 model-soup merging 把多个变体 checkpoint 合并成单一行为初始化。

第二步是强化学习，方法叫 PIVOT-RL，全称是"在大规模策略训练语料上做回溯式轨迹定位"。它的思路像一个教练回放比赛录像：训练服务先回溯定位模型开始走上无效策略的那个 pivot 点，把轨迹里有用的前缀保留下来，构造一个局部续写任务，再拼接一段短纠错提示。这段提示永远不会成为预测目标，推理时也不存在，它只属于训练时的关键时刻：

提示"推理时缺席"这个设计是有讲究的：如果提示出现在推理时，模型很可能学会依赖提示，而不是主动纠错。这一设计意在避免推理时依赖提示，促使纠错行为被学习。完成后的轨迹异步进入策略优化，因为不同任务的墙钟成本差异很大，同步等待会拖垮整条产线。Apodex 1.1

"过程级可验证奖励"这个方向，社区里已经长出两条成型的方法族。一条走过程奖励：RLVMR 给轨迹里的认知步骤打元推理标签（规划、探索、反思、监控），按标签发规则化奖励，再与最终结果奖励混合，做无 critic 的策略更新。另一条走环境奖励：Agent-RLVR 用单元测试当唯一奖励信号，对失败补丁生成计划、环境反馈、环境交互三类引导，再用离线 DPO 更新策略，把 SWE-Bench Verified 从 9.4% 推到 22.4%。Apodex 没有公开 PIVOT-RL 的内层算法和超参，所以不能把这两家的配方硬套到它头上，但在方法族地图上位置很清楚：Apodex 坐在"从可验证环境轨迹里学可靠行为"这条长凳上。RLVMR Agent-RLVR

往前追溯，Apodex 团队的前身系列已经走过中训、SFT、DPO、GRPO 四阶段流水线，本论文的"统一混合加回溯定位"是这条线的代际升级。整条链条的因果顺序值得记牢：先有能产生可验证轨迹的环境与运行时，再有把轨迹变成行为的训练。缺了任何一端，另一端都不成立。MiroThinker

六领域成绩单，与一道还没解完的题

这套框架到底有没有用，得看成绩。论文的评测做了双层设计：ReAct 是最小脚手架，代表模型自身策略的水位；Agent Team 是系统级组件，代表加上协同之后的整体水位。六个复杂工作领域的代表性数字如下：

读出这张表的方式很重要。Agent Team 的加入普遍带来几个点到十几个点的提升，说明协同不是装饰，是实打实的能力杠杆。拿 APEX-Agents 来说，上一代 1.0 只有 16.5，1.1 的 Agent Team 拿到 38.5，这是代际跃迁的量级。但也要克制：SWE-bench Verified 的 77.7 是论文在自己的 harness 下复现的数字，同一列里 Claude Opus 5 的 92.2 领先，不能写成 SOTA。Apodex 1.1

更值得琢磨的是 35B 参数的 Apodex 1.1 Mini。它在本地可部署的规模上保留住了工作能力，但论文只报了三个领域：FrontierFinance 从 40.0 提到 50.2，FrontierScience 从 45.0 提到 51.7，APEX-Agents 从 24.2 提到 27.7，在 APEX-Agents 上匹配 Kimi K2.6 的性能带，在 FrontierScience 上逼近 DeepSeek V4 Flash 0731。反常之处在于：一个 35B 的小模型摸进了前沿带，而不少旗舰模型动辄千亿参数。论文把这份成绩读作与自家路线主张一致的信号：工作能力很大程度上是"在哪里练、怎么组织"的函数，而不只是"模型有多大"的函数。但一致性不等于归因，这里的因果分寸必须说清楚：现有展示并没有把两条主轴和参数量各自的贡献隔离出来。Mini 的三个数字是环境扩展、协同扩展与 35B 规模合在一起的结果，功劳记在环境、协同还是规模头上，论文没有给出拆解，读者也不该替它补上这个结论。论文用词同样谨慎，这是"性能带"结果而非硬排名，因为多个对照系统的参数量根本不公开，所以这个结论目前也只覆盖 Mini 报出的三个领域。

过程质量上，论文用自家 companion 论文定义的 HDS6 六维过程度量做对比，六个维度是 Tools、Repair、Alternatives、Coherence、Evidence、Scope。看下面这组雷达图：

图注：三张并排的六轴雷达图，从左到右是 Deep Discover（397B + Agent Team）、Deep Solve（397B + ReAct）、Deep Research（35B + ReAct），蓝色是 v1.0、橙色是 v1.1，刻度 1 到 4，C1 到 C6 是 HDS6 的六个过程能力轴。Deep Discover 面板橙色外扩最明显，另两块面板橙色也略有外扩。注意 Deep Discover 里 v1.0 是 8 次运行的平均、v1.1 是单次运行，实验设置不对称，因此只能做面板内比较，不能解读为全面碾压。Apodex 1.1

也就是说，v1.1 不止是最终分数更高，整条执行过程的质量也在系统性变好：证据保真、修复能力这类过程维度上，橙色多边形普遍外扩。这正是"工作能力"要衡量的东西，过程可靠，结果才可靠。此外还有一个把守底线的完整性闸门（integrity gate）：一旦发现伪造的工具结果或"叙述了但从未发生"的动作，整条轨迹直接判零。这条闸门把投机取巧从根上堵死。

再往远看，论文把 Heavy-Duty Solver（重负载求解器）定义为长期愿景，而不是现有产品。它的完整形态是四件套：foundation model、harness、tools、control policies。为了给这类系统造"现实世界的考场"，companion 论文做了 TRACES scout：两个月的 STEM 博士团队走遍 561 个行业、16 个领域，筛出 423 个高价值真实问题，最终 20 个入选，目前落地 17 个可执行环境、218 个 episode。这套评测的核心抽象叫 environment-task-episode：环境是隔离沙箱，任务在环境里被切成可验证的子问题，episode 是任务的一个可运行实例，固定问题数据、配置参数、工具接口和验证器四件事。Apodex Discovery

图注：两栏架构图。左侧红色虚线框是 Solver under Test，含 foundation model、harness、agent loop 三个模块；右侧蓝色虚线框是隔离沙箱环境，内含多个 episode 实例，每个 episode 卡列出问题数据、配置参数、工具与动作、验证器与评估四块。跨越两框的是 actions 与 observations 双向箭头，ground truth 留在沙箱内、绝不外泄给求解器。Apodex Discovery

这套设计还有一个配套动作：修复回路（repair loop）。流程是测量、诊断、合成修复说明、重跑、重打分，修复说明只告诉模型哪几步错了、该往哪个档次改，绝不泄露答案。在 10 个环境上的实验里，修复使结果分数平均变化从 -0.077 到 +0.365，27% 到 62% 的轨迹得到改善。论文自己标注这是实验性的、受幸存者偏差限制，它证明的是方向可行，而不是包治百病。

最后回到那道没解完的题。Apodex 自家的内部长时基准 FrontierResearchBench 里，97 个可执行科研任务跨 10 个领域，模型在官方 harness 下的通过率只有 12.4%，领先组合是 20.6%。这个量级和 SWE-Marathon 测出的"所有配置都低于 30%"是同一片战场的两个数字：长时工作的可靠性，至今仍是 2026 年的开放问题。论文自己也不遮掩局限：PIVOT-RL 的内层算法和超参没有公开，FrontierAgent harness 的内部架构没有公开，多个对照系统的参数量没有公开。作为教程自身的补充观察：reward hacking 这类投机取巧的威胁也依然存在——社区基准 SWE-Marathon 的审计中，13.8% 的 rollout 出现过 exploit 尝试，不能因为有了完整性闸门（integrity gate）就认为这项威胁已经根除。SWE-Marathon

把这份成绩单读完整，得到的不是"千亿参数碾压"的叙事，而是一条被证据支持的规模化路线：堆环境的可执行性与可验证性，练模型的协同本能，可以让一个 35B 的小模型摸进前沿带。但"让模型可靠地连续工作几十个小时"这件事，论文自己都承认还差得远。工作能力这个概念的价值，恰恰在于它把记分牌指清楚了：下一场竞赛比的不是谁答得快，而是谁真能把活干完、干对、干得可验收。

想深入可以读原文：Apodex 1.1: Scaling Agentic Intelligence for Complex Work（arXiv:2608.23283）

参考文献

1. Apodex 1.1: Scaling Agentic Intelligence for Complex Work — arXiv:2608.23283
2. Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative AI — arXiv:2608.11341
3. MiroThinker-1.7 & H1: Towards Heavy-Duty Research Agents via Verification — arXiv:2603.15726
4. ARE: Scaling Up Agent Environments and Evaluations — arXiv:2509.17158
5. RLVMR: Reinforcement Learning with Verifiable Meta-Reasoning Rewards for Robust Long-Horizon Agents — arXiv:2507.22844
6. Code as Agent Harness: Toward Executable, Verifiable, and Stateful Agent Systems — arXiv:2605.18747
7. SWE-Marathon: Can Agents Autonomously Complete Ultra-Long-Horizon Software Work? — arXiv:2606.07682
8. AgentOrchestra: Orchestrating Multi-Agent Intelligence with the Tool-Environment-Agent (TEA) Protocol — arXiv:2506.12508
9. Agent-RLVR: Training Software Engineering Agents via Guidance and Environment Rewards — arXiv:2506.11425