تست عملی Apex-35B: مدل کوچیکی که جلوی غولها کم نمیاره
خلاصهٔ کاملتر
Apex-35B اولین مدل شرکت Apex Intelligence هست که روی Qwen 3.6 ساخته شده. این مدل از معماری sparse mixture-of-experts (یعنی مدل از چندتا زیرشبکه ساخته شده و برای هر توکن فقط چندتاشون فعال میشن) استفاده میکنه. کل پارامترهاش ۳۵ میلیارده ولی برای هر توکن فقط حدود ۳ میلیاردش کار میکنه. یعنی هزینهٔ اجراش به یه مدل کوچیک نزدیکه ولی دانش یه مدل بزرگتر رو داره. context تا ۲۶۲ هزار توکن رو ساپورت میکنه، خودش تصمیم میگیره چقدر فکر کنه و با لایسنس Apache 2.0 منتشر شده.
نکتهٔ عجیبش نحوهٔ ساختشه. تیم سازنده یه سیستم داخلی به اسم Apex Research ساخته که بخش زیادی از کار ساخت مدل رو خودکار انجام داده: تولید دادهٔ آموزشی، اجرای آزمایشها، تنظیم دستورالعمل آموزش و بهینهسازی GPU kernelها. یعنی خود ابزارهای AI تو ساختن این مدل نقش جدی داشتن.
تو این مقاله اومده که مدل روی یه اپ واقعی تست شده: داشبورد عملیات یه شرکت پنل خورشیدی. یه باگ تو اپ بود که دورهٔ بازگشت سرمایه رو ۱.۸ سال نشون میداد و همون خطا روی دو صفحهٔ مختلف اثر گذاشته بود. مدل بدون هیچ راهنمایی، ریشهٔ مشترک رو پیدا کرد، تابع مربوط رو بازنویسی کرد، فقط سرویس API آسیبدیده رو rebuild کرد و یه regression test هم اضافه کرد. کل کار حدود پنج دقیقه و نیم طول کشید و عدد بازگشت سرمایه به ۲.۷ سال رسید که منطقیتره.
تو تست کدنویسی خلاقانه نتیجه ضعیفتر بود. قرار بود یه فایل HTML تک بسازه که بارون روی شیشهٔ مهگرفته رو شبیهسازی کنه. مدل ۲۴ دقیقه کار کرد و بیشتر بخشها رو ساخت، ولی رد قطرهها مثل طنابهای کلفت و تیره دراومد و لکههای نویزی روی canvas دیده میشد. به گفتهٔ نویسنده، کارکرد بود ولی ظرافت نبود.
تو تست داده، یه فایل فروش آنلاین با ردیفهای تکراری، چهار فرمت مختلف تاریخ و اسم کشورهای ناهماهنگ بهش داده شد. مدل حدود ۱۴۰۰ سفارش رو تمیز کرد، یه لاگ از همهٔ مشکلات نوشت، یه نمودار ساخت و گزارشی داد که فقط به عددهای واقعی تکیه داشت. مثلاً نشون داد الکترونیک نصف درآمده ولی از هر پنج سفارشش یکی مرجوع میشه. تو مسئلهٔ ژنتیک هم بعد از حدود پنج دقیقه فکر کردن، جوابها رو درست درآورد (از جمله احتمال ۶۶.۷٪) و تو تلههای سؤال نیفتاد.
نسخهٔ کوانتیزهشدهٔ Q8 روی یه H100 فقط کمی بیشتر از ۳۸ گیگ VRAM مصرف کرد. نویسنده معتقده برای باگگیری، کار با داده و استدلال چندمرحلهای انتخاب خوبیه، ولی خروجی بصریش رو باید پیشنویس حساب کرد.
نکات کلیدی:
- ۳۵ میلیارد پارامتر کل، حدود ۳ میلیارد فعال برای هر توکن، ساختهشده روی Qwen 3.6
- context تا ۲۶۲ هزار توکن و لایسنس Apache 2.0
- نسخهٔ Q8 روی یه H100 حدود ۳۸ گیگ VRAM مصرف کرد
- باگ دوصفحهای داشبورد رو با regression test تو حدود ۵.۵ دقیقه درست کرد
- تو دو تست تحقیقاتی از GLM 5.3 و تو یه سؤال سخت زیستشناسی از DeepSeek جلو زد
- تست شبیهسازی بارون تو HTML از نظر ظاهری ضعیف بود




