Nex-AGI开源Nex-N2.5智能体模型家族：三档配置，基准超越GPT-5.6

魔搭ModelScope社区 2026-09-09 18:00 浙江  Nex-AGI 开源 Nex-N2.5 智能体模型家族（Mini/Pro/Max），涵盖万亿参数 MoE 架构，在 SWE-Bench Pro 等基准中表现卓越，支持芯片设计、CAD 建模、长程游戏操作等复杂真实环境任务。 Nex-AGI 是由上海创智学院发起的创新联盟，旨在建设一个可持续的能动性闭环开源生态。今天，Nex-AGI 正式开源 Nex-N2.5，一个面向真实环境长程任务的智能体模型家族，包含 Mini、Pro、Max 三个版本。  Nex-N2.5 三档模型 三款模型共享“智能体后训练”这一主线，按任务与部署规模形成组合： * Mini 与 Pro 延续 Nex-N2 的多模态底座，重点强化计算机使用、网页浏览与视觉辅助的能动性； * Max 建立在 DeepSeek-V4-Pro-Base 之上，采用 1.6T 总参、每 Token 激活 49B 的纯文本 MoE 架构，是官方首次在万亿参数规模完成的完整后训练。 在多项权威基准中，Nex-N2.5 与 Claude Opus 5、GPT-5.6 Sol 等顶尖闭源模型互有高低；Max 以 92.6 拿下 BrowseComp 表内最佳、Pro 以 87.4 拿下 OSWorld-G 表内最佳。  ModelScope： GitHub： blog： **01** **效果与能力** ### 真实 Agent 任务（Nex-N2.5 Max） ### 案例一：芯片设计 任务从一份存在缺陷的 CRC16-CCITT 流式加速器 RTL 出发，Nex-N2.5 Max 修复逐周期握手、忙碌状态、末字节处理和单周期完成信号，并调用 Verilator、Icarus Verilog、Yosys 与 OpenROAD 完成功能验证、综合及 Sky130 HD 布局布线。 最终通过隐藏功能回归与完整物理实现，生成 GDS、DEF、SPEF 和门级网表；Setup / Hold TNS、详细布线违例均为 0，报告 Fmax 约 386 MHz。  ### 案例二：CAD 设计，用 Python 驱动 SolidWorks 装配机械臂 Nex-N2.5 Max 通过 Python 调用 SolidWorks COM，从零件建模、关节定位到整体装配，构建具有工业产品外观的机械臂。设计以深灰骨架、橙色装甲和金属关节组织结构，补充双指夹爪、分层外壳、法兰与紧固件。 演示视频、装配视图和爆炸视图共同呈现从参数化设计到 CAD 装配的过程，以及各部件的空间关系。  ### 案例三：凝聚态物理 围绕 R3c BiFeO₃ 材料的磁控极化问题，Nex-N2.5 Max 模拟不同磁矩方向下的电极化变化，用路径角度—极化曲线呈现磁态与极化的耦合关系。结果图将晶体结构、磁矩旋转路径和计算曲线联系起来，为分析磁态如何调控电极化提供依据，也展示了低功耗磁电存储相关材料问题的研究过程。  ### 案例四：复杂前端 从“用 SVG 画一只骑自行车的鹈鹕”，到第一人称高达空战、可拆解重拼的乐高城市，Nex-N2.5 Max 将简短自然语言需求转化为可直接体验的前端作品，围绕每个创意补全场景、交互控件与反馈机制，把 SVG 动画、三维场景与游戏逻辑组织成完整页面。  第一人称高达空战  骑自行车的鹈鹕与乐高城市 ### Vision Agentic 任务（Nex-N2.5 Pro） ### 案例五：长程游戏操作 任务从《宝可梦 白金》的新游戏开始，要求 Nex-N2.5 Pro 仅凭游戏画面与正常按键，自主阅读对话、寻找路线、推进剧情，并管理队伍的体力、招式与战斗策略。目标是击败黑金道馆的飘太，获得第一枚煤炭徽章；过程涵盖探索、训练、补给和失败后的策略调整，获胜后还需通过游戏内保存与重新载入确认徽章进度。 ### 案例六：Office 办公，LibreOffice 三件套的真实工作流 Nex-N2.5 Pro 阅读 UNEP《Emissions Gap Report 2024》，核对报告标题、章节结构和关键数据，再在 LibreOffice Writer 中整理研究笔记。 正文提炼短结论与证据信号，独立附录记录来源、可见页面核查和信息使用范围，使结论能够回到原报告查证。最终保存为两页可编辑文档，并逐页复核内容与排版。 ### 案例七：创意设计，从 Inkscape 概念图到 Blender 渲染 Nex-N2.5 Pro 先在 Inkscape 中通过图形界面逐步绘制机甲概念板，确定身体比例、装甲轮廓、剑盾装备与配色，再将二维设计转化为 Blender 中的 58 个独立网格分件。 建模过程补全侧面厚度、背部推进器和连接结构，配置金属装甲、深色内构与能量自发光材质，最后加入相机、灯光和展示底座，完成 Eevee 渲染。  Inkscape 概念图与 Blender 渲染 ### 案例八：Vision2Context 许多 Agent 任务受限于用户个性化上下文：例如申请公司 API 额度，模型需要了解内部平台、申请入口与审批流程。 Nex-N2.5 Pro 根据用户授权范围，从主动录制的示范视频或日常屏幕观察中提取这些信息，生成可复用的个性化 Skills，供 NorthCUA、OpenClaw 等 Agent 使用。 两段视频以差旅场景串联操作示范理解、Skill 生成和后续 Computer Use 执行。 **02** **技术解读** ### NexRT 推理基础设施 NexRT 是面向 Nex-N2.5-Pro 的单请求推理引擎，支持在 8 张 H100 或 H200 GPU 上运行普通解码、MTP 和 DFlash。通过定制 CUDA 内核、完整解码 CUDA Graph 和 GPU 直接通信，NexRT 优化从嵌入、注意力、MoE 到采样的整个解码路径。 NexRT 使用 SGLang 完成预填充，并在预填充与解码引擎之间共享路由专家权重；上下文并行注意力进一步减少长上下文中的重复 KV 读取。  NexRT 推理界面  NexRT 吞吐性能 **03** **部署与推理** 模型下载（以 Max 为例）： modelscope download \   --model nex-agi/Nex-N2.5-Max \   --local\_dir ./Nex-N2.5-Max 官方提供预置定制 SGLang 分支的 Docker 镜像 nexagi/sglang:v0.5.18-nex-patch，三个尺寸的启动命令如下。 ### Nex-N2.5-Max（2 节点 16 × H200） docker run --gpus all --shm-size 32g --network host \   -v /path/to/your/model:/model \   nexagi/sglang:v0.5.18-nex-patch \   python3 -m sglang.launch\_server \     --model-path /path/to/your/model \     --trust-remote-code \     --host 0.0.0.0 --port 8000 \     --nnodes 2 --node-rank "${NODE\_RANK}" \     --dist-init-addr "${MASTER\_ADDR}:5000" \     --tp 16 --pp-size 1 --dp 1 --ep-size 16 \     --attention-backend dsv4 \     --kv-cache-dtype fp8\_e4m3 \     --page-size 256 \     --moe-a2a-backend deepep --moe-runner-backend deep\_gemm \     --moe-dense-tp-size 1 --deepep-mode auto \     --context-length 262144 \     --mem-fraction-static 0.84 \     --chunked-prefill-size 8192 --enable-mixed-chunk \     --disable-overlap-schedule --max-running-requests 64 \     --cuda-graph-max-bs-decode 64 \     --cuda-graph-backend-decode full \     --cuda-graph-backend-prefill disabled \     --chat-template /path/to/nex-n2.5-max/chat\_template.jinja \     --reasoning-parser deepseek-r1 \     --tool-call-parser qwen3\_coder ### Nex-N2.5-Pro（单机 8 × H100，权重发布后适用） docker run --gpus all --shm-size 32g --ipc=host \   -p 30000:30000 -v /path/to/your/model:/model \   nexagi/sglang:v0.5.18-nex-patch \   python3 -m sglang.launch\_server \     --model-path /model \     --tp 8 --host 0.0.0.0 --port 30000 \     --reasoning-parser qwen3 \     --tool-call-parser qwen3\_coder \     --chat-template /path/to/nex-N2.5-Pro/chat\_template.jinja \     --mamba-scheduler-strategy extra\_buffer ### Nex-N2.5-mini（单机 2 × H100） docker run --gpus all --shm-size 32g --ipc=host \   -p 30000:30000 -v /path/to/your/model:/model \   nexagi/sglang:v0.5.18-nex-patch \   python3 -m sglang.launch\_server \     --model-path /model \     --tp 2 --host 0.0.0.0 --port 30000 \     --reasoning-parser qwen3 \     --tool-call-parser qwen3\_coder \     --chat-template /path/to/nex-N2.5-mini/chat-template.jinja \     --mamba-scheduler-strategy extra\_buffer 采样与思考模式：官方推荐 temperature=0.7、top\_p=0.95、top\_k=40。通过 reasoning\_effort 控制思考行为：none 不思考直接回答，medium（默认）自适应思考，high 始终思考。 点击阅读原文，即可跳转模型合集~ --- ``` ``` 👇点击关注ModelScope公众号获取 更多技术信息~ ``` ``` [阅读原文](https://modelscope.cn/collections/nex-agi/Nex-N25) [跳转微信打开](https://wechat2rss.bestblogs.dev/link-proxy/?k=a33e7f7a&r=1&u=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzk3NTc1NTU0Mw%3D%3D%26mid%3D2247513065%26idx%3D1%26sn%3Dfba23adcf774d286d066025e9ee8f968)