2026 年 8 月 24 日，Apodex Team 在 arXiv 提交技術報告 〈Apodex 1.1: Scaling Agentic Intelligence for Complex Work〉，並讓託管的完整工作台上線；多 Agent 執行框架 FrontierAgent 隨這波發布開源，35B Mini 權重則在 8 月 25 日登上 Hugging Face。真正值得追問的，不是「又一個模型拿到幾分」，而是它能不能把一次答對，變成一段可持續、可恢復、可驗證的工作。
Apodex 1.1 把「回答」改成「完成工作」
Apodex 對這種能力的命名是 working capability。論文不是把長上下文、多工具或多 Agent 各自當成終點，而是問：系統能否在檔案、搜尋、程式碼與外部證據之間維持任務狀態，遇到失敗後繼續推進，最後交出能被檢查的產物。
“The unit of this capability is completed work rather than an isolated response.”
中文：「這種能力的單位，是完成的工作，而不是一則孤立的回覆。」
Apodex Team，Apodex 1.1 技術報告
這句話點出整份報告最有價值的轉向。聊天模型的輸出通常停在一段文字；工作型 Agent 則必須留下檔案、程式、引用、執行紀錄與驗收結果。也因此，模型本身只是一部分，執行環境與協作機制同樣會決定最後分數。想先理解這一層，可以對照 AlphaLab 的 AI Agent Harness 介紹。
真正的新東西：模型、AgentOS 與 FrontierAgent 綁成一個系統
Apodex 1.1 的方法可拆成兩條軸。第一條是 Environment Scaling：建立能真的讀寫檔案、搜尋資料、執行程式、保存狀態並接受終局驗證的工作環境。第二條是 Agentic Coordination Scaling：讓主 Agent 能拆任務、建立專家、平行委派、吸收中途結果、重新規劃並做證據整合。
AgentOS 把工作區檔案、檢索證據、工具執行紀錄、產物索引、依賴關係與執行控制狀態放進同一套運作契約。Agent Team 再加上 lead agent、動態建立的 specialist、task board 與訊息匯流層。FrontierAgent 則把 ReAct 與 Agent Team 工作流、終端介面、工具、已保存 session 的續跑和評測 harness 開源出來，授權為 Apache-2.0；這不代表 Agent Team 的所有狀態都能做原子式復原。
這裡最容易誤解的是「多 Agent」三個字。論文的重點不是多開幾個平行樣本，而是讓任務、決策、使用者回饋與子任務成果持續流過同一個工作狀態。換句話說，真正的產品不是一群聊天視窗，而是能管理依賴、故障與交付的執行系統。
35B Mini 開放了什麼，完整模型又留下了什麼
這次發布最需要守住的事實界線，是完整 Apodex 1.1 不等於 35B Mini。官方 模型文件把未加 Mini 的 Apodex 1.1 列為 397B，並把 Apodex 1.1 Mini 另列為 35B；論文的主要完整系統表格與 Mini 表格也分開呈現。
| 層級 | 目前公開方式 | 不能混在一起的地方 |
|---|---|---|
| 完整 Apodex 1.1 | 官方工作台與 API；官方文件標示 397B | 完整系統的 Agent Team 高分，不是 35B Mini 的分數 |
| Apodex 1.1 Mini | 35B 權重與量化版本；Apache-2.0 | 以 Qwen3.5-35B-A3B 為底，論文另有 Mini 專屬評測 |
| FrontierAgent | 開源 runtime、工作流與評測 harness | 框架可以接 OpenAI-compatible endpoint，但不包含完整 397B 權重 |
截至 2026 年 8 月 26 日，官方 Apodex 1.1 Collection列出 Mini 的原始、FP8、NVFP4 與 GPTQ-Int4 版本，未列出完整 397B 權重。Mini 的 BF16 分片合計約 72GB，官方 serving 範例使用 vLLM 或 SGLang 並示範 tensor parallelism 8。這表示「可在自己的基礎設施部署」是真的，但不能偷換成「一般筆電一鍵輕鬆跑」。
“Being able to give a correct answer and being able to see a piece of work through to completion, verifiably, are two different capabilities.”
中文：「能答對，和能把一件工作可驗證地做到底，是兩種不同能力。」
Apodex 官方發布文章
榜單看起來亮眼，但不能把系統分數當模型分數
Apodex 的作者自報結果確實有值得看的部分。完整 Apodex 1.1 在 Agent Team 模式下報告 APEX-Agents 38.5、GDPVal 78.8、FrontierFinance 54.3、FrontierScience-Research 63.3；官方模型文件把表中未加 Mini 的產品識別為 397B。不過這些都是模型加 harness、工具與額外協作推論預算的結果，不是裸模型一次生成的能力。
GDPVal 的 78.8 還有一層可重現性限制：現行開源 evaluator 明確排除原始 pairwise quality grader，只檢查產物是否存在且可讀。因此 78.8 應視為作者自報 win rate；公開 harness 目前不能重現這個品質評分，也不能把它寫成 78.8% accuracy。
Mini 的數字必須看另一張表。依技術報告，35B Mini 從 ReAct 切到 Agent Team 後，三項成績如下：
| 基準 | Mini ReAct | Mini Agent Team | 差距 |
|---|---|---|---|
| APEX-Agents | 24.2 | 27.7 | +3.5 |
| FrontierFinance | 40.0 | 50.2 | +10.2 |
| FrontierScience-Research | 45.0 | 51.7 | +6.7 |
這三組變化支持一個有限但重要的判讀：同一個 Mini 模型換成有組織的 Agent Team 後，作者測到更高基準分數。然而報告沒有提供等計算量的 ReAct 對照，也沒有為主要表格全面提供信賴區間與重複次數。Agent Team 用了更多、而且被更好組織的推論計算；它證明的是系統設計可能有用，不是「多 Agent 免費創造智力」。
三個容易被發布標題藏起來的限制
一、目前主要證據仍由作者自己提供
論文是 arXiv 預印本，並未標示同儕審查會議。主要成績來自 Apodex 自己的測試；外部模型比較列有些是文獻數字，有些則由 Apodex 在自家 harness 重跑，並不是一場條件完全一致的統一對決。截至 2026 年 8 月 26 日，本文尚未找到非 Apodex 團隊對這些主要分數的獨立重測，因此把它們稱為「作者自報」，不把它們當成獨立重現。
Mini 模型卡表示，評測時封鎖了相關 benchmark 網站，這能降低即時搜尋答案的風險；截至 2026 年 8 月 26 日，本文查閱的技術報告與 Mini 模型卡未披露訓練截止日、訓練／評測去重結果或污染稽核。封鎖測試時的網站，不能等同於證明訓練資料沒有看過測題。
二、榜單測到的是 model–harness system
報告自己在 FrontierResearchBench 明說，每一列都是模型與 harness 的組合。Apodex 1.1 加 FrontierAgent 得到 12.4%，Apodex 1.1 加 Claude Code 得到 10.3%，都低於表中最佳組合的 20.6%；作者也承認 Apodex 在這項測試仍落後前沿系統。這是很好的反例：它阻止我們把幾個有利 benchmark 擴張成「全面追上前沿」。
三、可恢復不等於永不丟狀態，可驗證也不等於一定正確
論文披露，協調平面的狀態目前保存在單次 worker process 中，沒有和檔案系統做原子 checkpoint；完整的 process-restart recovery 與歷史回捲不在現有契約內。發布保護也是工具層控制，不是監看所有系統呼叫的檔案防火牆。更根本的是，runtime 可以要求引用與產物，卻不能保證來源、計算、科學方法或結論本身正確。
AlphaLab 的判讀：方向比名次更值得注意
我們同意 Apodex 對問題的重新定義。當 Agent 開始承接數小時甚至數天的工作，評估單位本來就不該只是單輪答案。任務狀態、可追溯證據、失敗恢復、產物驗收和使用者介入，都應該成為能力的一部分。FrontierAgent 與 Mini 權重的開放，也讓外部研究者至少有機會檢查 runtime、重跑一部分流程，而不是只能看錄好的展示。
但我們不同意把目前結果壓縮成「35B 已追上所有前沿模型」。完整系統與 Mini 是兩個尺度；Agent Team 與 ReAct 不是等推論預算；比較列也不是全部同條件重跑。最合理的結論是：35B Mini 在作者選定的三項工作型基準上，搭配 Agent Team 後進入作者所選比較列中若干前沿系統的成績帶；這是一個值得外部重現的訊號，不是已被證明的普遍優勢。
長期來看，Apodex 1.1 最可能留下的不是某個小數點，而是「完成的工作」這個測量單位。如果未來的模型發布都必須交出可重播軌跡、檔案差異、工具版本、驗收器和失敗案例，AI Agent 的競賽才會從 demo 感，走向真正可審計的工程。
你現在該怎麼驗證 Apodex 1.1
- 固定模型與任務：先用同一個 Mini endpoint、同一批私有任務，比較 ReAct 與 Agent Team，不要拿不同模型混比。
- 固定預算：記錄 token、工具呼叫、牆鐘時間與重試次數，再做等成本比較；否則分數提升可能只是更多推論。
- 檢查失敗路徑：刻意中斷 worker、讓搜尋回傳錯誤、改動檔案，確認 checkpoint、artifact hash、trace 與最終驗收能否說明發生了什麼。
如果想把這套方法變成自己的測試表，可接著看 AI Evals 教學；若要理解為何多 Agent 不一定划算，則可對照 Munder Difflin 的單／多 Agent 對照設計。
接著閱讀
左右滑動查看更多推薦
內容類型：文章延伸觀點
Ox Alpha 是誰？37 兆 Token 爆紅背後的匿名模型與隱私風險（2026）
Ox Alpha 在數天內登上 OpenCode 近期 token 用量第一，卻仍未公開營運方。本文拆解 37 兆 Token 的 cache 結構、GLM 指紋證據與 OpenRouter／OpenCode 路由條款，判斷這場匿名模型熱潮真正證明了什麼。
閱讀文章
內容類型：文章延伸觀點
GLM-5.3 Fire HD Root：8 小時接力真正證明了什麼？（2026）
GLM-5.3 Fire HD Root 案例裡，一台 Fire HD、四個模型與作者自述的 266 美元，最後形成約八小時的模型接力。本文核對 CVE、Git、韌體與安全護欄，說清楚這個案例真正證明了什麼。
閱讀文章
內容類型：文章延伸觀點
Ox Alpha 深度解讀：95/95 GLM 指紋，63% 為何不是完整跑分？（2026）
Ox Alpha 的 95/95 GLM tokenizer 指紋有多強？本文更正「完整 113 題約 63%」的錯置說法，核對 58.4% 公開 run、超過 11 兆七日流量與匿名供應者資料風險。
閱讀文章
內容類型：文章延伸觀點
NVIDIA AVO 深度解讀：ARC-AGI-3 公開集 100% 真正證明什麼？（2026）
NVIDIA 回報 AVO 搭配 Claude Opus 5 跑完 ARC-AGI-3 公開 183 關，GPU kernel 特定設定最高領先 10.5%。但公開滿分不是私有評測，30%→100% 也不是受控實驗。本文拆清 Harness 真正證明了什麼。
閱讀文章
內容類型：文章同分類最新
【2026 最新】舊本機 LLM 該刪嗎？12 題 Model Retirement Eval＋保留／封存／刪除決策樹
排行榜較高，不代表新模型已取代你的工作。用 12 題私有 Eval 與真實重抓驗證，決定舊模型該保留、冷封存、改為重抓，或永久刪除。
閱讀文章
內容類型：文章同分類最新
Qwen3.8-Flash-Next 預告：Qwen4 架構先行，先別急著看跑分（2026）
Qwen3.8-Flash-Next 以 Qwen4 架構預覽掀起預發布熱度。本文拆解官方已確認、社群誤讀，以及權重上線後真正該驗證的五件事。
閱讀文章
如果只做一件事：不要先問 Apodex 的榜單名次，先拿一個你能人工驗收、允許中途失敗的真實任務，測它能不能留下可追溯產物並在相同預算下穩定完成。