Apodex 1.1：为复杂工作扩展「环境」和「协作」两条轴

能力的单位是「完成的工作」：会拆任务、会派活、会核查、能交付

3 分钟版

问题　通用大模型能推理和综合知识，但复杂工作还需要持续操作文件、信息源和代码，维护状态、从失败中恢复，并交付可验证的成果。单次问答式的能力衡量不出这些。

思路　环境扩展：扩大文件世界、搜索世界、代码世界的多样性和可验证性，并支持隔离与回放。协作扩展：主 Agent 先把任务拆解写到显式任务板上，子 Agent 从任务板领任务、交回证据；执行中可接受用户插话并更新任务板；核查采用「不对称验证」，核查者只攻击某个具体论断而不重做整题。共享外壳和 AgentOS 维护跨工具、跨 Agent 的任务状态与来源。训练上，PIVOT-RL 在长轨迹中定位关键决策点做局部优化。

结果　Agent Team 版 FrontierFinance 54.3（表中最高），APEX-Agents 38.5（Claude-Opus-5 为 42.3），GDPVal 胜率 78.8。35B Mini 版加 Agent Team 后 FrontierFinance 50.2、APEX-Agents 27.7（作者自报）。

所以呢　作者称以明显更小的模型进入领先区间。但部分外部模型成绩是作者在自家外壳下复现的，比较口径需要打折。

关键数字

• 54.3 FrontierFinance 得分（Agent Team）（§4.2 · Table 3）
• 38.5 APEX-Agents 得分（Agent Team）（Table 3）
• 78.8 GDPVal 胜率（Agent Team）（Table 3）
• 50.2 35B Mini 版 FrontierFinance 得分（Agent Team）（§4.2）

局限与疑问

• 部分外部模型成绩由作者在自家外壳下复现。
• 完整版模型参数规模未明确披露。
• 评测基准和外壳由作者选定，结果为作者自报。
• 没有单独讨论局限的章节。

arXiv 摘要页 · PDF