【AI4S】Apevon Science 内测招募：提供顶尖模型、GPU 算力和科研环境

之前在 L 站发过一次 Apevon Science 的介绍，但那一版确实写得比较虚：讲了很多“让 AI 参与科研”“让研究者专注思考”，却没有把产品到底是什么说清楚。

这次不讲概念，直接介绍目前的测试版。

文章比较长，如果你已经有想测试的计算科研任务，可以先报名：

^-^ 免费内测报名：［报名链接］

报名时建议提供教育邮箱或企业邮箱，身份审核会更快通过。也可以扫描文末的企业微信二维码报名。

Apevon Science 是什么？

Apevon Science 是一个运行在云端的科研执行系统。

简单概括就是：

Apevon Science = 顶尖模型（Claude、GPT 等）+ GPU 算力 + 真实科研执行环境。

平台统一提供 Claude、GPT 等顶尖模型，可以根据任务需要灵活切换；同时提供按需拉起的 CPU / GPU 算力和真实科研工作区。

用户不需要自己准备模型 API、购买显卡或者提前配置本地环境。提交研究任务、实验方案后，AI 会直接进入云端环境：

• 
  

  检索和筛选真实论文

  
  


• 
  

  设计可以执行的实验方案

  
  


• 
  

  编写代码

  
  


• 
  

  安装依赖、配置环境

  
  


• 
  

  按需调用 CPU / GPU

  
  


• 
  

  运行和调试实验

  
  


• 
  

  查看结果并继续迭代

  
  


• 
  

  完成 baseline、消融和多随机种子实验

  
  


• 
  

  统计结果并生成图表

  
  


• 
  

  根据真实实验结果整理论文或报告初稿

  
  

它不是只在聊天框里告诉你“这段代码应该怎么改”，而是会真的进入计算环境修改代码、执行命令、等待训练完成，再根据结果继续工作。

模型负责理解和执行，算力负责把实验真正跑完，工作区负责沉淀全部过程与结果。

举个具体的例子

假设你想研究图神经网络如何预测药物—靶点结合亲和力，并使用 DAVIS 和 KIBA 数据集完成实验。

通常需要经历：

1. 
   

   检索相关论文和开源代码

   
   


2. 
   

   设计 GNN 实验方案

   
   


3. 
   

   配置环境并处理数据集

   
   


4. 
   

   编写和调试模型代码

   
   


5. 
   

   训练模型并评估结果

   
   


6. 
   

   生成指标和预测对比图

   
   


7. 
   

   整理参考文献和论文初稿

   
   

在 Apevon Science 里，这些执行工作可以由 AI 在云端环境中持续完成，并最终交付实验代码、数据、图表、参考文献、论文初稿和可复现的完整工作区。

训练时间较长时，你不需要一直开着电脑盯着。研究问题是否有价值、实验方案是否合理、结果应该如何解释，仍然由研究者判断。

人负责提出问题和做科学判断，AI 负责把计算实验真正跑起来。

论文和引用从哪里来？

Apevon Science 接入了海量论文数据和检索能力。

研究过程中引用的论文来自真实检索结果，而不是让模型根据印象生成一个“看起来像真的”标题。参考文献可以回到原始来源进行查询和核验，并按照正文中的首次引用顺序整理。

这也是我们非常重视的一条原则：

实验数据来自真实运行，参考文献来自真实检索——结果能复现，引用能查证。

当然，论文是否真正支持正文中的某个观点，仍然需要研究者最终核验。AI 的结果不能闭眼全信，最终的科学判断始终在研究者手里。

最后会交付什么？

不是只给一段聊天记录，而是交付完整的研究材料：

• 
  

  真实运行产生的实验数据和中间结果

  
  


• 
  

  全部实验代码

  
  


• 
  

  运行环境

  
  


• 
  

  指标与图表

  
  


• 
  

  执行日志

  
  


• 
  

  来自真实检索、可以查询和溯源的参考文献

  
  


• 
  

  可复现的完整工作区

  
  


• 
  

  基于真实实验结果整理的论文或报告初稿

  
  

每一步执行过的命令、日志和生成的中间文件都会保留下来。

历史实验结果不会被直接覆盖。重新运行时会建立新任务，方便对比不同版本并复现实验。

GPU 任务开始前会展示计划使用的资源，由用户确认后再运行。

目前哪些方向最适合？

当前版本主要面向可以表达为“代码 + 数据 + 算力”的计算科研任务。

现在比较适合测试的方向包括：

• 
  

  机器学习、深度学习

  
  


• 
  

  计算机视觉、NLP

  
  


• 
  

  模型训练与微调

  
  


• 
  

  baseline 复现

  
  


• 
  

  消融实验、多随机种子实验

  
  


• 
  

  数据分析、统计建模与可视化

  
  


• 
  

  文献检索、筛选与综述

  
  


• 
  

  从实验结果整理图表和论文初稿

  
  

生物信息、计算化学、材料、遥感、医学影像、计量经济等方向，如果主要工作能够通过代码完成，也可以沟通，但数据格式、专业软件和工具链可能需要针对任务定制。

我们的判断标准比较简单：

这个实验能不能表达成“代码 + 数据 + 算力”？

能，就有机会通过系统执行；如果核心环节需要研究者动手操作仪器，我们目前只能从仪器产生数据之后开始接手。

和直接使用 GPT / Claude 有什么区别？

直接使用 GPT 或 Claude，通常得到的是建议、文字和代码。

但从“模型给出代码”到“得到能写进论文的实验结果”，中间还有大量工作：

• 
  

  环境装不上

  
  


• 
  

  CUDA 和依赖冲突

  
  


• 
  

  数据管道需要重新编写

  
  


• 
  

  代码运行报错

  
  


• 
  

  训练需要等待数小时

  
  


• 
  

  baseline 需要逐个复现

  
  


• 
  

  消融实验需要重复运行

  
  


• 
  

  结果还要统计、制图和整理

  
  


• 
  

  参考文献需要逐篇检索、核验和编排

  
  

Apevon Science 接管的主要是这一段。

我们不仅提供顶尖模型（Claude、GPT 等），还把模型接入了可以直接运行的 GPU 算力和科研工作区，让 AI 能够实际配置环境、执行实验、查看结果并反复迭代。

系统不绑定单一模型，可以根据不同任务选择合适的模型。产品本身也不只是一个 Agent 或模型中转界面，模型背后还连接了真实的计算环境、GPU 算力、论文数据和完整的实验工作区。

AI 不只是告诉你该怎么做，而是能够在环境中持续执行：

写代码 → 调试 → 运行 → 查看结果 → 修改 → 再次运行。

完整流程是什么？

目前设计的流程是：

1. 
   

   研究者提出研究问题

   
   


2. 
   

   检索、筛选和整理相关文献

   
   


3. 
   

   把研究方案拆解成可以审阅、修改的实验计划

   
   


4. 
   

   AI 准备运行环境和数据

   
   


5. 
   

   调用 CPU / GPU 执行实验并持续调试

   
   


6. 
   

   统计、对比和分析实验结果

   
   


7. 
   

   生成图表，整理参考文献和论文初稿

   
   

我们不替研究者做最终判断，而是尽量把环境配置、代码调试、实验运行、数据整理和初稿搭建这些耗时的执行工作做完。

目前明确做不了什么？

为了避免误解，也把边界直接写清楚：

• 
  

  暂时不能连接或控制实验室仪器

  
  


• 
  

  需要在实验台上动手完成的部分不能替代

  
  


• 
  

  如果线下实验已经产生数据，我们可以从数据清洗、统计、建模、可视化和论文整理开始接手

  
  


• 
  

  不替研究者做最终的科学判断

  
  


• 
  

  不承诺生成一篇完全不需要修改、可以直接投稿的论文

  
  


• 
  

  不承诺所谓“通过 AI 检测”

  
  

我们提供的是由真实实验支撑的初稿和全部研究素材。最终的学术表达、观点提炼和讨论仍然需要研究者本人完成。

我们希望省掉的是科研中大量重复、耗时的执行工作，而不是替代研究者本人的学术贡献。

关于数据安全

目前是早期测试版本，执行任务时可能调用 Claude、GPT 等第三方模型服务，因此数据可能会由相应模型服务商处理。

现阶段请不要上传涉密数据、敏感数据，或者不能交由第三方模型处理的未公开材料。

后续我们会探索本地部署和数据脱敏方案，但当前版本不会提前承诺尚未完成的能力。

目前还是测试版

现在大家体验到的仍然是 Apevon Science 的早期测试版本，很多功能还在持续完善，正式版和桌面版也正在开发中。

上一轮测试已经有不少 L 站佬友参与。大家围绕产品定位、使用流程、数据安全、模型选择、算力和真实科研场景，提出了很多非常具体、非常有价值的建议，也帮助我们发现了不少早期版本的问题。

在这里认真感谢每一位参与测试和提出建议的 L 站朋友。

目前产品肯定还有不完善的地方，欢迎继续提意见。

如何报名？

这一轮将继续开放一批免费测试名额。

比较适合参与测试的人：

• 
  

  高校教师、科研人员、博士生或硕士生

  
  


• 
  

  正在做机器学习、数据分析或其他计算科研任务

  
  


• 
  

  最近有 baseline、复现、消融、训练或结果分析需求

  
  


• 
  

  经常把时间花在配环境、调代码和等待训练上

  
  


• 
  

  能接受产品仍处于 MVP 阶段，并愿意反馈遇到的问题

  
  

测试阶段完全免费

感兴趣的朋友可以通过文章开头的报名链接申请，也可以直接扫描下方的企业微信二维码报名