不卷参数卷"干活"：Apodex 1.1 用两条新扩展轴把智能体推向重型任务

你有没有碰到过这种情况：让 AI 帮你做一个稍微复杂点的活儿——比如"把这几个文件夹里的数据整理成一份能直接交付的分析报告"——模型聊得头头是道，真跑起来不是文件读错版本，就是中途忘了我半小时前补充的需求，最后交付的东西看起来漂亮，细查全是坑。

问题不在模型不会推理。问题在于，"把活干完"和"把天聊对"是两种完全不同的能力。后者一个 prompt 一个回答就完事了，前者要持续几个小时、几百步操作、跨文件跨工具跨分支，还要在中途接受人插话、从失败里恢复、最后交出一份经得起检查的交付物。

Apodex 团队 8 月 24 日挂出的这份技术报告（arXiv: 2608.23283），就是冲着这个 Gap 来的。标题里那个词值得琢磨——Scaling Agentic Intelligence for Complex Work，不是 scaling reasoning，不是 scaling context，是 scaling "干活"这件事本身。

核心摘要

Apodex 1.1 提出了一个叫 working capability（工作能力） 的概念：智能体的智能不该用"单次回答质量"来度量，而该用"持续、可验证地完成一件真实工作"来度量。围绕这个目标，论文给出两条互补的扩展轴——Environment Scaling（环境扩展） 把可执行、可验证的文件/搜索/代码环境当作新的 scaling 面，Agentic Coordination Scaling（协同扩展） 把任务拆解、并行委派、异步结果整合、动态重规划训练成模型行为而不是外挂脚手架。两者由一个统一的执行底座 AgentOS 串起来，再配一套 PIVOT-RL 局部化信用分配算法做训练。结果上，Agent Team 模式在 FrontierFinance（54.3）和 FrontierScience-Research（63.3）上拿到对比表里的最强值，MathArena 协议下 IMO 2025 拿到 36.5 分超过 35 的金牌线；35B 的 Mini 版本在多项任务上摸到前沿系统的性能带。我的判断：这不是一篇模型论文，是一篇系统+训练方法论论文，最值钱的不是某个数字，而是"环境也是一个可以 scale 的东西"这个视角，以及那套把交付物当一等公民的执行底座设计。自建基准刷分的水分要留意，但工程细节是真的扎实。

📖 论文信息

• 标题：Apodex 1.1: Scaling Agentic Intelligence for Complex Work
• 作者：Apodex Team（约 75 位作者，按字母序署名）
• arXiv：https://arxiv.org/abs/2608.23283 （v1 提交于 2026 年 8 月 24 日，v2 修订于 8 月 25 日）
• 资源：官网 apodex.ai，代码 github.com/ApodexAI/FrontierAgent，模型权重已挂 Hugging Face

🎯 问题动机：答对不等于干完

先讲清楚这篇论文到底在不满什么。

传统 LLM 评测是"prompt 进、答案出"，即使是现在的智能体基准，很多也只是把这个循环拉长了一点。但真实工作长这样：你要在几十个文件里找到权威版本的那一份，要跑代码、看报错、改完再跑，要在一个分支假设被证据推翻后及时止损，要在用户中途插一句"方向改一下"的时候判断哪些已完成的工作还有效、哪些要作废。

论文把这种能力形式化成一个任务合约：

翻译成人话：一个任务 = 工作区状态空间、初始工作区、目标 \(q\)、可用动作、状态转移规则、观测接口、资源预算 \(\mathbf{B}\)、交付合约 \(D\)、以及合约对应的验证器 \(V_D\)。注意最后两项——这是整个报告的灵魂。成功不是"模型输出了一段合理的话"，而是

验证器拿着初始状态、最终工作区和整条执行轨迹来判分。一个空文件、一个上一轮残留的同名旧文件、一段无法溯源到证据的结论，全都过不了关。

这个形式化本身没什么数学上的新意，说实话。但它把一件工程界早就模模糊糊感觉到的事说清楚了：智能体的计量单位应该是 完成的工作，不是 生成的文本。后面所有设计——环境、协同、训练、评测——都是从这句话推出来的。

🧠 核心思路：两条新的扩展轴

传统 scaling 卷三样东西：参数、数据、推理算力。Apodex 1.1 说，对于"干活"这种能力，还有两面墙可以推。

轴一：Environment Scaling——环境本身就是可以 scale 的

这个想法我觉得是全文最有价值的视角。它的意思是：策略学习所用到的可执行环境，其多样性、保真度、可验证性，是可以系统性扩张的，而且扩张它会带来模型能力的增长——就像当年扩张数据量一样。

论文建了三族环境：

几个硬数字：文件世界的场景注册表现在覆盖 33 个领域、318 种职业、1208 个交付物簇。代码世界有个防作弊设计我很喜欢——合成任务没有外部标准答案，光跑通参考解不够，还要专门测试"solver 能不能不真干活就骗到奖励"，只有在沙盒里真实成功的攻击才算验证器缺陷。这是把 reward hacking 当一等公民来防。

还有个细节值得拎出来：任务难度不是"文件越多越好"。论文给了一个获取压力坐标

分子是需要逐一排查的候选数和承重证据跳数，分母是工具调用预算。比值越大，模型越被迫做甄别、导航和"什么时候该停"的纪律性决策。这个公式粗糙，但方向对——难度应该度量"决策压力"，不是度量"材料体积"。

整个环境构造遵循一个原则，论文叫 forward cheap, inverse expensive：生成器拿着隐状态和参考程序可以便宜地构造并求解一个世界，但智能体只能看到渲染出来的工作区，必须在约束下把路径反推出来。生成便宜、求解昂贵、验证独立——这三件事凑齐，规模化才成立。

轴二：Agentic Coordination Scaling——协同也是训练出来的

多智能体不新鲜。AutoGen 的对话编排、MetaGPT 的角色分工、多智能体辩论，这些论文都引了。Apodex 1.1 的主张不一样：拆解、委派、整合、重规划这些不是推理期脚手架的属性，而是要写进训练轨迹、成为策略本身的行为。

Agent Team 1.1 在 1.0 的基础上外化了四样东西，我觉得其中两个是真的有洞察：

显式任务板（Task Board）。1.0 里任务拆解是主智能体脑子里的一次性决策，1.1 把它落到模型上下文之外的一块持久任务板上：每个条目有边界清晰的目标、依赖关系、解决状态（open / in_progress / resolved / cancelled）、指派的智能体和返回的证据。这块板不是给人看的可视化装饰——子智能体从板上领范围，完成的工作挂回板上，计划修订就是对板的工具化编辑。一个分支失败只作废它的后代节点，不拖死整个任务。说到底，这是把"计划"从易失的上下文内存变成了可检查的外部状态。

非对称验证（Asymmetric Verification）。这个设计挺漂亮的。1.0 已经有独立的审查角色，但论文指出了一个真问题：如果你让一个能力相当的验证者把整道题重做一遍，它可能引入第二条同样不受约束的错误链，验证者本身变成新的污染源。1.1 的做法是让验证故意比生成窄：验证者拿到的不是整个问题，而是一条具体主张 + 支撑证据 + 适用的交付约束，它的活儿是找反例、用真正独立的来源类别做三角验证、核对名字日期数字公式这种原子细节。反驳一条主张需要的开放式综合远小于从头生成报告——不对称性在任务设计上，不在模型大小上。

图3：Agent Team 在共享 AgentOS 工作区上的协同扩展。上层是运行级协同平面：协调器 ReAct 循环负责拆解-委派-综合，外部任务板存放协调器拥有的语义解决状态，Agent Bus 暴露运行时执行状态。中层是执行-工作区平面，子智能体在隔离后端决定的候选工作区里产出中间件。下层是文件系统-发布平面：/inputs 只读、/outputs/scratch/ 共享、最终交付必须经过单一 Publisher Lease 和 Exact Manifest Gate 的校验。

另外两个能力简单带过：异步人工干预不是加了个打断按钮，而是训练了一个策略去判断"用户这句话改变了什么、哪些已完成工作在因果上仍然有效"——如果用户实质改变了目标或交付要求，运行时直接开一个新任务合约，把还有效的工作区状态带过去；自适应 Max Team Effort 则把 test-time scaling 用在团队层面，只对薄弱的、有争议的、承重的主张追加独立调查，而不是均匀撒算力。

AgentOS：把交付物当一等公民的执行底座

两条轴要靠一个共同底座撑着。AgentOS 1.1 里最打动我的是受控交付（Controlled Artifact Delivery）这组机制：

• 工作区分三个命名空间：/inputs 只读任务材料、/workspace 干活的地方、/outputs 最终交付根目录，外加一个可跨任务存活的只读文档库 /shares；
• 生产和发布分离：普通执行只能写 /workspace，想往 /outputs 写东西必须持有发布租约——同一时刻最多一个会话有提交权；
• 发布前要申报精确清单（exact manifest）：只能写申报过的路径，没申报的写入直接拒绝；终止时每个清单条目还要跟租约发放时的基线快照对账——空文件、同名旧文件都糊弄不过去；
• 连最终回答文本都会被检查有没有"清单之外的交付声称"。

说实话，看到这块我笑了一下——这套东西完全就是给"AI 交付了一个看起来对实际是上一轮残留的文件"这种经典翻车场景打的补丁。做过 Agent 工程的人应该都懂这种痛。

另外还有几组机制对应长程执行的经典死法：上下文爆炸用分层压缩（先廉价地清掉旧工具观测的主体，不够再上 LLM 摘要，升级由实际腾出的空间驱动而不是固定计划表）；墙上时钟耗尽用软截止+硬超时（软截止前提醒智能体先固化已有成果，硬取消只是最后手段）。论文自己也很坦诚：任务板和 Agent Bus 是会话级的，进程崩溃后没法原子恢复，协同状态、消息历史、文件系统的联合版本化是明确的后续工作。

🔧 训练：PIVOT-RL 把信用分配做在"岔路口"上

训练分两段。SFT 用统一混合数据做行为冷启动，跨推理、工具、搜索、文件、代码、数学、多智能体协同，不同能力域的 SFT 变体用 model soup 合并。这段比较常规。

RL 段的 PIVOT-RL 有点意思。长轨迹的信用分配是个老问题：一条几百步的轨迹最后失败了，但前面的中间工作可能都是有用的；反过来，一条成功的轨迹里也可能藏着低效甚至依据不足的决策。只看终局奖励，信号太粗。

PIVOT-RL 的做法是事后回溯分析，在轨迹里找关键决策点（pivots）——模型开始走无效策略、证据不足就下结论、误用工具、该修正假设没修正的那些岔路口。在每个 pivot 上保留有用的前缀，构造一个局部续写任务外加一句简短的纠正提示。这句提示只给方向，永远不作为预测目标，推理时也不存在；对有状态的任务还会恢复对应的环境状态。局部续写和不带提示的完整任务混在一起训。

等等，这个思路其实挺像"过程监督"和"拒绝采样"的混血——但它聪明的地方在于学习被集中在需要纠正的那个片段上，而不是让整条轨迹平均分摊奖励。论文也引了同期工作（Yi et al., 2026）说明挑信息量的中间轮次做后训练能省算力，说明这个方向大家正在收敛。

图4：随 RL rollout 步数增加，搜索、知识、科学三类留出评测上的得分曲线。三条线都在涨，但坦率讲涨幅不算陡（搜索从约 0.60 到 0.66），而且抖动不小——长程 agentic RL 的稳定性依然是个活问题。

📊 实验：先看成绩，再说水分

图1：Apodex 1.1 在专业工作（APEX-Agents、GDPVal）、金融（FrontierFinance）、科学研究（FrontierScience-Research、BioMysteryBench）和通用推理（HLE）六个基准上与前沿模型的对比。蓝色三条是 Apodex 1.0 / 1.1 ReAct / 1.1 Agent Team，灰色是外部模型。

主表数据我挑重点列一下（主模型 397B，Mini 为 35B）：

几个观察。

代际提升是真的猛。APEX-Agents 从 16.5 到 34.4，ReAct 单智能体就翻倍还多——这说明 1.1 的底层工作策略确实强了一截，不是靠多智能体堆出来的。Agent Team 再加 4.1 个点。GDPVal 上协同带来的增益是 9.3 个点，说明协调计算对"交付物质量"这种软指标帮助更大。

但注意头部差距。GDPVal 差 Claude Opus 5 十个点还多，HLE 差 8.6 个点，BioMysteryBench 差 14 个点。Apodex 1.1 的真实定位是"在多数基准上进入第一梯队，在金融和科研两个方向上拿到表内最强 这个性能带"——论文自己的措辞也是 leading performance band，还算诚实。

数学这块值得单独说。MathArena 协议下，IMO 2025 从 1.0 的 12.5 涨到 36.5（金牌参考线 35），IMO 2026 拿 30.5（线 29），USAMO 2026 拿 26.5（线 25）——三组全部越过金牌线。IMO-ProofBench 上 Agent Team 拿 Basic 96.7%、Advanced 63.3%。一个以"干活"为主轴的系统顺手把竞赛数学证明做到这个水平，说明统一策略的路子确实走得通。

编程是短板，数据摆在这：Terminal-Bench 2.1 拿 70.8（Gemini 3.6 Flash 91.9），SWE-bench Verified 拿 77.7（Claude Opus 5 92.2）。差距不小，论文也没怎么展开解释，我猜代码环境的覆盖深度还跟不上专门卷代码的训练配方。

35B Mini 是另一个亮点。ReAct 模式下 FrontierFinance 40.0、FrontierScience 45.0、APEX 24.2，Agent Team 分别抬到 50.2、51.7、27.7——一个本地可部署的 35B 摸到前沿性能带，这比 397B 刷榜对大多数人更有实际意义。

自建基准和过程评测：诚实，但要打个折看

内部基准 FrontierSearchBench（41 个结构化深搜任务）上 Agent Team 拿 69.1，压过 GPT-5.6-Sol 的 67.4。但我要提醒一句：自家基准上拿第一，参考价值天然打折，哪怕论文声明了任务构造、标注、评分器都在评测前冻结。

更让我意外的是 FrontierResearchBench 的坦诚——97 个可执行的端到端科研工作流任务，Apodex 1.1 Agent Team 只过了 12.4%，被 GPT-5.6-Sol + Codex（20.6%）和 Grok-4.6 + Claude Code（20.6%）压着。论文原话承认"remains behind the frontier systems"。敢把自家系统落后的表放进报告里，这个动作本身加了不少可信度。顺带也说明：端到端交付一整套互相一致的科研产物，对当前所有系统都还是很难的事。

图5：HDS6 过程验证框架。A 部分：六大过程能力（长程状态连贯、证据保真、假设管理、边界与失败推理、工具使用与执行状态管理、验证下自我纠错），各含 4 条细则共 24 项。B 部分：评审流水线——Mapper（GPT-5.5）把轨迹按条目切窗索引，Judge（GPT-5.5）给 0/1/2 档位，Reviewer（Claude Sonnet 5）审查高分判定，Arbiter（Claude Opus 5）仲裁不收敛的分歧；评分对最终结果盲视、剥离私有推理，且有一条完整性闸门：伪造工具结果或叙述了日志里不存在的动作，整条轨迹直接零分。

HDS6 这个"过程对不对"的评测设计我觉得是全文第二有价值的东西。结果分数只告诉你活干没干完，不告诉你过程是不是连贯、有据、可恢复的。用竞品模型组成评审团（GPT-5.5 映射和初判、Claude 系复审和仲裁），再加上"发现伪造直接零分"的完整性闸门——这套东西拿去评别人家的 agent 也完全成立。

图6：HDS6 雷达图对比 v1.0 与 v1.1。三个面板分别是 Deep Discover（Agent Team · 397B）、Deep Solve（ReAct · 397B）、Deep Research（ReAct · 35B）。注意论文自己标了：Deep Discover 面板里 v1.0 是八次运行聚合、v1.1 是单次运行，不是严格对齐的消融，只能做面板内解读。

雷达图上最大的两个单项提升是 Initial Decomposition（提升 1.3 个点）和 Final Verification（提升 0.8 个点）——正好对应任务板和受控交付这两个 harness 机制。能力提升出现在哪里，和系统设计把钱花在哪里，对得上。这种自洽性比单纯的涨分更有说服力。

附录的三个端到端案例也值得扫一眼：蛋白质粗粒化模拟交付 18 个连锁文件（82.4 分钟，一个文件维度对不上引擎就全拒）；荧光显微图细胞凋亡定量（24.7 分钟、324 步、任务板 7/7 解决，两个测量分支并行跑）；猪 RNA-seq 队列的 WGCNA 分析交付 20 个规定产物。这些案例展示的不是"答得漂亮"，而是"交付物清单逐条对账"——和全文的合约式世界观完全一致。

💡 我的判断

最值钱的东西：把"环境"确立为与参数、数据并列的扩展轴，并且给出了可操作的构造原则（forward cheap inverse expensive、独立验证、重放要求）。这个视角在去年底以来的 ScaleEnv、Agent-World 等工作里都在冒头，Apodex 1.1 是把它系统化、并和训练闭环焊得最死的一次。同样值得搬的是那套交付物治理机制——发布租约、精确清单、基线对账——做过 Agent 产品的人都知道这才是线上系统的真实痛点。

要打折看的东西：三个带 Frontier 前缀的基准里有两个是自建的，第一名的成色要自己掂量；主模型 397B 的架构、底座、训练算力完全没披露，"用比前沿系统小得多的模型"这个说法无从验证；Deep Discover 的 HDS6 对比聚合协议都不一致，论文自己承认了但你得自己记住。还有，报告通篇没提成本——一个跑 82 分钟、几百步、调动一整个 Agent Team 的任务花多少钱、值不值，这个账没人算。

和同期工作比的位置：这不是底层突破，是一次高质量的系统整合加方法论提炼。环境扩展、多智能体协同、过程验证、局部化信用分配，单拎出来每一件都有先行者；把它们按"完成的工作"这个统一合约拧成一个自洽的整体，并且敢放出落后项的完整数据——这才是这篇报告的真实贡献。

如果你在做 Agent 工程，有三个可以直接搬的东西：任务状态外化到上下文之外（别信 compaction 后的消息历史）、验证任务设计得比生成任务窄、交付物走申报-租约-对账三步。如果你在做 agentic RL，PIVOT-RL 的 pivot 定位思路值得复现一把——论文没给算法细节，只给了思想，这算个小遗憾。

重型求解器（Heavy-Duty Solver）这个词起得挺大。但看完这份报告我倾向于认为，至少"把活干完"这个计量单位，会成为接下来 Agent 系统竞赛的默认计分板。

参考链接

• 论文：https://arxiv.org/abs/2608.23283
• 官网：https://www.apodex.ai
• 代码：https://github.com/ApodexAI/FrontierAgent

觉得有启发的话，欢迎点赞、在看、转发。跟进最新AI前沿，关注我