Apodex 1.1: 扩展复杂工作的智能体能力

TL;DR Apodex 1.1 通过环境扩展与智能体协调训练，让 35B 模型在长周期复杂任务中持续产出可验证结果，达到前沿性能。

问题

问题背景：当前 AI 领域在通用语言模型的推理与知识综合上进展显著，但复杂工作（如金融分析、科研计算、软件工程）需要智能体不仅“想得对”，还要“做得完”：持续操作文件、搜索信息、执行代码，并产出可验证的交付物。这一能力被称为 working capability，即对现实目标做出持续、可验证的进展。

现有方法局限：多数语言模型和早期 Agent 框架仍以单轮或短程任务为主，缺乏长时间任务状态维护、失败恢复与可验证交付机制。具体体现在：

• 环境交互往往局限于固定 API 或少量工具，没有将可执行文件、搜索、代码环境的多样性与可验证性作为训练尺度；
• 长时任务分解、并行子代理协调、异步结果整合能力不足，出现偏差后难以有效重规划；
• 缺少统一执行基座来追踪任务状态与溯源，轨迹难以转化为可靠的训练信号。 因此，这些系统在真实多步任务中容易中断、结果不可审计。

为什么难/重要：复杂工作任务的时序长、反馈稀疏、错误累积，对智能体的协调与执行带宽要求极高。将环境多样性和协调轨迹同时纳入训练是技术难点，需要大规模轨迹数据、强化学习与可回放执行基础设施。业界对自主智能体在办公自动化、科研计算、软件交付等场景的落地需求强烈，更需要模型效率高、可本地部署的解决方案，这正是 Apodex 1.1 试图通过 35B 模型达到领先性能的意义所在。

行业类比：类似于软件开发从单函数代码生成过渡到全仓库级持续集成与交付，需要工具链、编排系统与可验证流水线共同支撑长期任务。

核心洞察

• Agentic intelligence 的核心度量不应该是单步答案正确率，而应该是 completed work：在真实环境中持续、可验证地推进目标。Apodex 1.1 将可执行的文件、搜索和代码环境本身作为 scaling surface，训练数据直接来自工具交互轨迹，而非静态文本。相比多数 benchmark 只覆盖短 horizon 的问答或单次代码生成，这种做法迫使模型学会状态维护、失败恢复和证据对齐，使工作能力成为可训练、可评估的对象。
• 环境扩展（Environment Scaling）是与模型参数扩展并列的 scaling 维度。Apodex 1.1 通过扩大文件世界、搜索世界和代码世界的多样性与难度，并保证验证、隔离和重放，为 agent 提供更丰富的失败模式和奖励信号。现有 agent 训练常在封闭沙盒或有限工具集上进行，难以泛化到长程任务；而环境作为一个 scaling surface 能直接提升模型在真实工作场景中的可靠性。
• Agentic Coordination Scaling 的关键是把长期任务的分解、平行委派、异步结果整合和重规划变成可学习的行为，而不是仅在推理时叠加多智能体或搜索。Apodex Agent Team 使用显式任务板、自适应最大团队努力和证据驱动综合，配合 PIVOT-RL 在关键决策点做局部优化，降低长轨迹稀疏奖励的优化难度。AgentOS 负责跨工具和 agent 的持久状态与执行连续性，这使得协调过程本身具备可验证的工程基础。

方法

输入：复杂真实任务（如专业工作、科研、编码、搜索），用户提供自然语言目标与约束。

关键模块

环境扩展：Apodex 1.1 构建三类可执行环境家族——文件世界（权限与转换）、搜索世界（发现与证据对齐）、代码世界（可执行转换与验证），通过扩大覆盖范围和难度提供可验证的交互表面。

AgentOS：作为长程执行基板，提供持久工作区与工具执行、代理团队协调状态（子代理生命周期）、执行连续性（上下文压力下优雅耗尽预算）、受控工件交付。所有状态与来源可追踪。

Apodex 代理团队：采用交互式自组织团队，将潜在分解显式化为任务板，支持异步人类干预、非对称验证、自适应最大团队努力、证据基合成；多个代理并行委派、整合异步结果并重规划。

训练：在环境轨迹和协调痕迹上做 SFT；再使用 PIVOT-RL 在关键决策点进行局部强化优化，将成功轨迹固化为可靠行为。

输出：可验证的交付工件与任务完成状态，在多个专业 benchmark 达到领先性能，35B 参数 Mini 版本仍保持强工作能力。

与同类通用代理框架相比，Apodex 1.1 将“完成可验证的工作”作为代理智能的核心单元，通过同时扩展环境和代理协调两个维度进行训练，而不是单纯依赖测试时搜索或更大模型。

实验

实验设计

Apodex 1.1 从两条互补维度评估：环境扩展 与 Agentic Coordination Scaling。实验覆盖 file / search / code 三类可执行环境，训练采用 SFT 与 RL (PIVOT-RL)，利用环境轨迹与协调序列。执行基座 AgentOS 维护任务状态与溯源。评估协议包含 ReAct 与 Agent Team 两种模式，在专业工作、金融、科学研究、数学、编码、搜索等基准上测试，并引入内部 FrontierSearchBench 和 FrontierResearchBench。

关键发现

• Apodex 1.1 在复杂专业任务上达到领先性能带，即使模型规模明显小于许多前沿系统。
• 35B 参数 Mini 模型在本地可部署条件下保留强大工作能力。
• 通过环境扩展和协调缩放，模型能将奖励信号与可验证的真实任务完成对齐。

与基线对比解读

相比仅依赖语言模型推理的基线，Apodex 1.1 引入执行环境与任务状态维护，直接提升长期任务完成率和可验证交付。作者强调「substantially smaller model」也能达到领先性能，暗示效率优势来自训练与执行架构，而非单纯参数量。与一般 multi-agent 系统相比，其 Asymmetric Verification 和 Adaptive Max Team Effort 可能降低协调开销。

行业影响

落地场景

Apodex 1.1 的 可验证长期任务执行 适用于需要持续交互文件、搜索和代码的业务，如金融尽调、科研数据分析、复杂代码迁移。

• 电商动态定价：agent team 抓取竞品 SKU、运行价格弹性模型，生成可审计调价建议。
• 企业服务代码重构：分派子代理并行处理 legacy 模块，异步集成结果，产出可回滚变更。

商业价值

核心价值在 降低高技能人力成本 与 缩短长周期交付时间。其 environment scaling 和 agentic coordination 将多源信息整合与验证从数天压缩到小时级，且产出 可验证交付，减少人工复核。35B Mini 支持本地部署，兼顾合规与推理成本。

与现有产品/工作流的接口

可通过 AgentOS 作为中间执行层，对接现有 CI/CD、数据仓库和内部 API。execution harness 提供持久工作区与工具执行，封装为 MCP 服务或 REST 接口嵌入现有 stack。相较 LangGraph / AutoGen，其 可执行环境训练 与 协调轨迹 RL 能直接提升长任务成功率。

局限

• 论文构建的 **环境扩展** 与 **AgentOS** 依赖内部执行基础设施，其基准与社区常用基准(如 SWE-bench、WebArena)的对应关系未完全公开，可能影响第三方复现与横向对比。同时，报告的性能“领先带”可能基于部分私有或定制基准，外部验证薄弱。
• 训练细节(数据规模、轨迹来源、RLHF/RL 具体设置)披露不充分；**PIVOT-RL** 的“局部优化”方法虽减少探索成本，但可能限制全局协调策略的泛化。35B 模型在极端长程任务上的可靠性与上下文管理仍需更大规模检验。
• 与同类工作(如 **Voyager**、**Reflexion**、**AutoGen** 等多智能体框架)相比，核心贡献更偏向系统集成与工程化，而非提出全新的学习范式或理论突破；其可扩展性主要依赖于手工设计的环境族和任务板，尚未证明能自动涌现新环境或协调规则。