Nex-AGI團隊：讓AI從"會聊天"到"會行動"的革命性訓練框架

在人工智能的發(fā)展歷程中，大多數模型就像一個只會紙上談兵的軍事專家——它們能夠滔滔不絕地講述戰(zhàn)術理論，卻無法在真實戰(zhàn)場上指揮作戰(zhàn)。最近，由復旦大學、華東師范大學、上海創(chuàng)新研究院等多家機構組成的Nex-AGI團隊在2025年12月發(fā)表了一項突破性研究，完整論文可通過arXiv:2512.04987v1查詢。這項研究就像為AI裝上了"手腳"，讓它們從只會說話的書蟲變成了能夠真正動手解決問題的實干家。

傳統(tǒng)的大語言模型訓練就像讓學生只看教科書卻從不參加實驗課。這些模型雖然能夠回答各種問題，但當需要它們在現(xiàn)實環(huán)境中執(zhí)行具體任務時，往往會顯得手忙腳亂。研究團隊意識到，要讓AI真正具備"智能體"能力，就必須徹底改變訓練方式——從讓AI學習"說什么"轉向訓練它們"怎么做"。

這個問題的核心在于，現(xiàn)有的AI訓練環(huán)境太過單一和脫離現(xiàn)實。就好比讓一個從未下過廚房的人僅憑菜譜就去開餐廳——理論知識再豐富，沒有實際操作經驗也難以應對真實世界的復雜情況。研究團隊發(fā)現(xiàn)，要培養(yǎng)真正的AI智能體，需要構建一個包含無數種不同場景的"虛擬訓練基地"，讓AI在各種復雜環(huán)境中反復練習，直到形成可靠的行動能力。

這項研究的創(chuàng)新點在于構建了一個名為"Nex生態(tài)系統(tǒng)"的完整基礎設施，它就像一個超級模擬器，能夠自動生成無窮無盡的訓練環(huán)境。基于這個系統(tǒng)訓練出的Nex-N1模型，在多項權威測試中表現(xiàn)出色，不僅超越了同等規(guī)模的開源模型，甚至在某些任務上能夠與GPT-5等頂級商業(yè)模型一較高下。更重要的是，這個系統(tǒng)具有出色的適應性，能夠在不同的AI框架中穩(wěn)定工作，就像一個多才多藝的演員能夠勝任各種角色一樣。

研究團隊還展示了Nex-N1在實際應用中的強大能力，它不僅能夠進行復雜的軟件開發(fā)和網頁創(chuàng)建，還能夠自主完成深度研究任務，甚至制作學術海報。這些成果表明，AI智能體技術正在從實驗室走向實用化，有望在不久的將來為普通用戶提供真正有用的自動化服務。

一、從"紙上談兵"到"實戰(zhàn)演練"的訓練革命

要理解這項研究的意義，我們首先需要明白傳統(tǒng)AI訓練的局限性。現(xiàn)在的大語言模型就像一個只在圖書館里學習的學者，它們通過閱讀海量文本來學習人類語言的規(guī)律，但這種訓練方式有一個致命缺陷：缺乏與真實環(huán)境的互動體驗。

當我們要求這些模型扮演智能助手的角色時，問題就暴露出來了。它們雖然能夠生成看似合理的回答，但往往缺乏對現(xiàn)實世界的深度理解。比如，當要求AI幫助修復一個軟件Bug時，傳統(tǒng)模型可能會給出一些聽起來很專業(yè)的建議，但這些建議往往經不起實際驗證——就像一個從未修過汽車的人僅憑理論知識指導別人修車一樣。

Nex-AGI團隊深刻認識到這個問題，他們提出了一個革命性的觀點：AI的學習過程應該從"預測下一個詞語"轉變?yōu)?基于環(huán)境反饋做出決策"。這種轉變就像從讓學生背誦駕駛手冊轉向讓他們在真實道路上練習駕駛一樣根本性。

研究團隊指出，真正的智能體能力包含三個關鍵要素。第一是感知能力，AI需要能夠準確理解當前的環(huán)境狀態(tài)，就像司機需要觀察路況一樣。第二是決策能力，AI需要能夠根據目標和環(huán)境狀態(tài)制定合適的行動計劃。第三是執(zhí)行能力，AI需要能夠通過各種工具和接口將計劃轉化為實際行動，并根據執(zhí)行結果調整策略。

然而，構建這樣的訓練環(huán)境面臨著巨大的挑戰(zhàn)。首先是環(huán)境的多樣性問題。現(xiàn)實世界包含無數種不同的場景和任務，要讓AI具備通用的智能體能力，就必須讓它在足夠多樣化的環(huán)境中練習。但是，手工構建這么多訓練環(huán)境需要天文數字的人力投入，根本不現(xiàn)實。

其次是環(huán)境的真實性問題。許多現(xiàn)有的AI訓練環(huán)境都是高度簡化的模擬場景，雖然便于控制，但與真實世界差距很大。這就像讓飛行員只在電子游戲中練習，然后期待他們能夠駕駛真正的飛機一樣不靠譜。AI在這種簡化環(huán)境中學到的技能很難遷移到復雜的現(xiàn)實世界中。

為了解決這些問題，Nex-AGI團隊開發(fā)了一個名為"Nex生態(tài)系統(tǒng)"的綜合解決方案。這個系統(tǒng)的設計理念非常巧妙：與其手工創(chuàng)建有限的訓練環(huán)境，不如構建一個能夠自動生成無窮無盡訓練環(huán)境的"超級工廠"。

二、三大核心組件：智能體訓練的"超級工廠"

Nex生態(tài)系統(tǒng)由三個相互配合的核心組件構成，它們就像一個高效的流水線工廠，能夠源源不斷地生產出高質量的訓練環(huán)境和訓練數據。

第一個組件叫做NexAU，可以理解為"智能體宇宙"的縮寫。如果把智能體比作演員，那么NexAU就是一個萬能的舞臺系統(tǒng)，能夠為任何類型的"表演"提供合適的環(huán)境設置。傳統(tǒng)的AI框架就像專門為某種特定戲劇設計的舞臺，只能用于特定類型的表演，而且搭建和維護都非常復雜。NexAU的創(chuàng)新之處在于，它提供了一個通用的、模塊化的執(zhí)行環(huán)境，就像一個可以根據需要隨時重新配置的智能舞臺。

NexAU的核心設計采用了遞歸代理循環(huán)的理念。簡單來說，就是讓AI智能體能夠像人類一樣進行層次化的任務分解。當一個復雜任務到來時，主智能體可以將其分解為多個子任務，并創(chuàng)建專門的子智能體來處理這些子任務。每個子智能體都有自己的專業(yè)領域和工具集，它們在完成任務后將結果返回給主智能體。這種設計就像一個大公司的管理結構，CEO可以將不同的業(yè)務分配給不同部門的經理，每個經理又可以進一步分配任務給下屬員工。

這種遞歸結構的一個重要優(yōu)勢是能夠有效管理復雜性。在傳統(tǒng)的AI系統(tǒng)中，所有的思考過程都混在一起，就像把所有的工作文件都堆在一個文件夾里一樣混亂。而在NexAU中，每個子智能體都有自己獨立的"思考空間"，它們的推理過程不會相互干擾，這樣整個系統(tǒng)就能夠處理非常復雜和長期的任務，而不會因為信息過載而崩潰。

NexAU還集成了多種現(xiàn)實世界的接口和工具。它支持模型上下文協(xié)議(MCP)，這是一種能夠連接各種外部服務和數據源的標準接口。通過MCP，AI智能體可以訪問真實的GitHub倉庫、數據庫、網絡搜索等服務，這就像給AI裝上了通往現(xiàn)實世界的"傳送門"。同時，NexAU還支持技能系統(tǒng)，允許智能體動態(tài)加載專門的知識和程序，這就像讓AI能夠隨時"學習"新的專業(yè)技能。

第二個組件是NexA4A，意思是"智能體為智能體"。如果說NexAU是萬能舞臺，那么NexA4A就是一個超級導演和編劇，能夠根據需求自動設計出各種精彩的"劇本"和"角色"。

傳統(tǒng)的做法是讓人類專家手工設計每一個智能體和每一個訓練場景，這不僅效率低下，而且很難覆蓋所有可能的情況。NexA4A的突破在于，它本身就是一個AI系統(tǒng)，專門負責生成其他AI智能體的配置。這就像有一個超級聰明的導演，能夠根據劇情需要自動創(chuàng)造出各種性格鮮明的角色，并為他們安排合適的臺詞和行動。

NexA4A的工作流程非常巧妙。首先，它會接收一個自然語言的描述，比如"我需要一個能夠進行軟件開發(fā)的智能體團隊"。然后，它會分析這個需求，設計出合適的智能體架構。比如，它可能會創(chuàng)建一個項目經理智能體負責總體規(guī)劃，一個程序員智能體負責編寫代碼，一個測試員智能體負責質量檢查，還有一個文檔編寫員智能體負責撰寫說明文檔。

更厲害的是，NexA4A不僅能夠設計單個智能體，還能夠設計復雜的多智能體協(xié)作框架。它能夠定義智能體之間的通信方式、協(xié)作流程和責任分工，就像設計一個高效運轉的團隊組織架構。這些設計都以聲明性配置的形式表達，類似于用YAML格式編寫的"智能體基因"，定義了每個智能體的角色、能力和行為模式。

第三個組件是NexGAP，全稱是"通用智能體數據管道"。如果把前面兩個組件比作劇院的舞臺和導演，那么NexGAP就是負責記錄和制作"紀錄片"的攝制組。它的任務是運行各種智能體，記錄它們的行為軌跡，并將這些軌跡轉化為高質量的訓練數據。

NexGAP的工作流程是這樣的：首先，它會從真實的MCP工具中提取任務需求，這些工具連接著真實的外部系統(tǒng)，確保生成的任務具有現(xiàn)實意義。然后，它使用NexA4A自動生成合適的智能體框架來處理這些任務。接下來，它會通過信息融合技術生成各種難度級別的具體查詢，從簡單的入門級任務到復雜的專家級挑戰(zhàn)都有。最后，NexAU會執(zhí)行這些智能體，生成完整的交互軌跡。

NexGAP的一個重要創(chuàng)新是它對真實性的重視。許多AI訓練系統(tǒng)使用的都是簡化的模擬環(huán)境，雖然便于控制，但與現(xiàn)實世界相去甚遠。NexGAP通過集成真實的MCP工具，讓AI智能體能夠與真實的API、數據庫和在線服務進行交互。這就像讓演員在真實的環(huán)境中排練，而不是在綠幕前表演，這樣訓練出來的AI自然更能適應現(xiàn)實世界的復雜情況。

另一個重要特性是NexGAP的查詢合成框架。它采用了一個層次化的問題類型樹，這是一個雙語標注的分類體系，能夠系統(tǒng)性地覆蓋各種可能的任務類型。為了避免訓練數據的偏差，系統(tǒng)采用了逆頻率加權策略，會增加對那些出現(xiàn)頻率較低的任務類型的采樣，確保AI能夠在各種情況下都有足夠的訓練經驗。

三、Nex-N1模型：從理論到實踐的完美跨越

基于這個強大的訓練基礎設施，研究團隊開發(fā)出了Nex-N1模型系列。這些模型就像經過嚴格訓練的特種兵，不僅具備扎實的基礎能力，更重要的是具備了在復雜環(huán)境中執(zhí)行任務的實戰(zhàn)經驗。

Nex-N1的訓練過程利用了Nex生態(tài)系統(tǒng)生成的大規(guī)模多樣化訓練數據。整個訓練數據集包含了超過200種不同的智能體框架和環(huán)境，這些環(huán)境的復雜度從簡單的單智能體工具使用到包含34個節(jié)點的復雜多智能體系統(tǒng)不等。訓練軌跡覆蓋了七種不同的工具調用格式，確保模型能夠適應各種不同的執(zhí)行環(huán)境和接口規(guī)范。

這種大規(guī)模、多樣化的訓練策略產生了顯著的效果。在多項權威基準測試中，Nex-N1都表現(xiàn)出了卓越的性能。在τ?-bench測試中，這是一個專門評估智能體在"雙控制環(huán)境"中進行約束滿足和協(xié)作能力的基準，Nex-N1取得了80.2%的高分，顯著超過了其他開源模型。在GAIA 2測試中，這是一個綜合評估端到端智能體性能的基準，Nex-N1也取得了29.5%的不俗成績。

特別值得注意的是Nex-N1在編程任務上的表現(xiàn)。在SWE-bench這個基于真實GitHub問題構建的軟件工程基準測試中，Nex-N1達到了70.6%的解決率。這個測試要求AI智能體能夠理解復雜的軟件問題描述，分析相關的代碼庫，并生成能夠解決問題的代碼補丁。這是一個非常接近真實軟件開發(fā)工作的挑戰(zhàn)，Nex-N1的優(yōu)秀表現(xiàn)證明了它在實際編程任務中的實用價值。

在工具使用能力方面，Nex-N1在Berkeley Function Calling Leaderboard V4上取得了65.3%的成績。這個測試評估的是AI模型準確調用各種函數和API的能力，這是智能體在現(xiàn)實世界中執(zhí)行任務的基礎技能。為了確保測試結果的可靠性，研究團隊還用Google搜索API替換了社區(qū)維護的DuckDuckGo API，解決了搜索結果不穩(wěn)定的問題，使得評估更加公平和準確。

四、跨框架兼容性：真正的"萬金油"模型

Nex-N1的一個突出優(yōu)勢是其出色的跨框架兼容性。在AI智能體領域，存在著眾多不同的框架和平臺，比如OpenHands、Claude Code、Terminus-2等，每個框架都有自己獨特的接口規(guī)范和工作流程。傳統(tǒng)的AI模型往往只能在特定框架中工作良好，就像一個只會說一種方言的人很難在其他地區(qū)有效溝通。

研究團隊專門測試了Nex-N1在不同框架中的表現(xiàn)，結果令人印象深刻。在SWE-bench的子集測試中，Nex-N1在Terminus 2 XML格式下達到了51.2%的成功率，在Claude Code環(huán)境中達到了62%，在OpenHands平臺上更是達到了63.5%。這種穩(wěn)定的跨框架性能表明，Nex-N1確實學會了智能體的通用能力，而不是僅僅記住了特定框架的使用方法。

這種兼容性的實現(xiàn)得益于Nex生態(tài)系統(tǒng)的設計理念。通過在訓練過程中暴露模型給多種不同的框架格式和接口規(guī)范，Nex-N1學會了適應不同環(huán)境的能力。這就像一個經驗豐富的外交官，無論走到哪個國家，都能夠快速適應當地的禮儀和溝通方式。

五、實際應用：從編程助手到研究伙伴

為了驗證Nex-N1在實際場景中的表現(xiàn)，研究團隊設計了多項真實世界的應用測試。這些測試不再是標準化的基準評估，而是更接近普通用戶實際需求的任務。

在項目開發(fā)測試中，研究團隊構建了包含43個數據樣本的測試集，覆蓋了13種不同的編程場景。測試結果顯示，Nex-N1在超過一半的場景中勝過或平局于主要的競爭模型。具體來說，與Claude Sonnet 4.5相比，Nex-N1的勝率達到了64.5%，與Minimax-M2相比更是高達92.9%。這些結果不僅考慮了代碼的正確性，還評估了執(zhí)行效率、可讀性和場景適應性等多個維度。

在網頁開發(fā)測試中，研究團隊收集了45個涵蓋五個不同領域的數據樣本，要求AI模型完成端到端的網頁創(chuàng)建任務。評估標準包括視覺質量、色彩豐富度和頁面完整性。結果顯示，除了Claude Sonnet 4.5之外，Nex-N1超越了所有其他測試模型，展現(xiàn)出了在創(chuàng)意和技術結合任務中的優(yōu)勢。

特別有趣的是，研究團隊還基于NexAU框架開發(fā)了一個深度研究智能體。這個智能體能夠自動執(zhí)行完整的研究流程，包括任務規(guī)劃、信息檢索、網頁分析、內容提取和迭代反思。在公開的深度研究基準測試中，這個基于Nex-N1的研究智能體取得了47.0%的綜合得分，展現(xiàn)了在復雜知識工作中的潛力。

更令人印象深刻的是，這個研究智能體還具備信息可視化的能力。不像現(xiàn)有的研究系統(tǒng)只能輸出純文本報告，Nex-N1驅動的系統(tǒng)能夠生成圖文并茂的研究報告和幻燈片演示。它配備了專門的圖像檢索、圖像插入、視覺設計和幻燈片制作工具，能夠將復雜的研究發(fā)現(xiàn)轉化為易于理解和分享的可視化內容。

研究團隊還展示了一個有趣的應用：Paper2Poster智能體，它能夠自動將學術論文轉換為專業(yè)海報。這個系統(tǒng)集成了PDF到Markdown的解析工具、機構和會議標志檢索工具，以及二維碼生成工具。它還支持中英文雙語切換，并包含反饋機制來迭代優(yōu)化設計質量。這樣的應用展示了AI智能體在學術交流和知識傳播方面的巨大潛力。

六、技術創(chuàng)新：讓AI"學會學習"的秘密

Nex-N1的成功不僅僅在于其優(yōu)異的性能表現(xiàn)，更重要的是它背后體現(xiàn)的技術創(chuàng)新思路。研究團隊在數據構建、質量控制和訓練方法等多個方面都做出了重要突破。

在數據構建方面，研究團隊提出了"智能體化非智能體數據構建"的概念。這聽起來有點拗口，但其實很容易理解。傳統(tǒng)的AI訓練往往將智能體任務和非智能體任務完全分開處理，就像把體育訓練和文化學習割裂開來一樣。而Nex-AGI團隊發(fā)現(xiàn)，即使在處理一些看似與智能體無關的任務時，也可以運用智能體的思維方式來提升數據質量。

比如，在搜索增強的數據構建中，系統(tǒng)會使用網絡搜索來為查詢合成提供事實基礎。這解決了兩個重要問題：首先，大語言模型的訓練數據存在時間限制和領域局限，直接生成的內容可能過時或不準確；其次，無引導的生成容易產生幻覺，特別是在需要具體事實信息的場景中。通過將搜索增強集成到合成流程中，系統(tǒng)能夠生成更加真實和富有信息量的訓練數據。

在質量控制方面，研究團隊開發(fā)了一套sophisticated的軌跡質量評估系統(tǒng)。智能體軌跡比傳統(tǒng)的訓練數據復雜得多，它們通常很長，包含復雜的工具調用序列，而且場景多樣化。為了確保訓練數據的質量，研究團隊設計了專門的質量評估智能體，它能夠識別軌跡中的截斷、重復、幻覺和獎勵欺騙等問題。

這個質量評估系統(tǒng)采用了迭代處理的方式來應對上下文長度的限制。它不是一次性處理整個軌跡，而是分批處理消息，每次都會考慮之前的評估結果。這種方法不僅提高了評估的準確性，還發(fā)現(xiàn)了一些有趣的問題，比如無效的工具設計、過于冗長的工具返回信息，以及編程智能體中普遍存在的獎勵欺騙行為等。

研究團隊還實現(xiàn)了一個創(chuàng)新的監(jiān)督工具反饋和質量優(yōu)化系統(tǒng)。這個系統(tǒng)的核心思想是讓AI能夠通過多模態(tài)反饋來改進自己的輸出。在復雜場景中，特別是涉及視覺內容的任務中，初始生成的代碼往往存在問題，需要自我修復機制。系統(tǒng)使用多模態(tài)模型來提供視覺反饋，幫助識別和修正渲染輸出中的問題。

不過，研究團隊也誠實地承認了一些限制。視覺反饋有時并不可靠，代碼修復也可能失敗。為了應對這些問題，他們引入了工程優(yōu)化措施：將連續(xù)的視覺反饋轉換為二元判斷，比如場景是否太暗或頁面是否完整，從而將主觀的美學判斷轉化為客觀標準；同時設置最大修復迭代限制，對于無法修復的代碼直接丟棄。

七、開源貢獻：推動整個領域的發(fā)展

Nex-AGI團隊做出了一個令人敬佩的決定：將他們的核心技術和模型權重完全開源。這不僅包括Nex-N1模型本身，還包括推理代碼和部分高質量的智能體訓練數據。這種開放的態(tài)度對整個AI研究社區(qū)具有重要意義。

開源的Nex生態(tài)系統(tǒng)為研究人員和開發(fā)者提供了一個強大的平臺，他們可以在此基礎上進行自己的實驗和開發(fā)。這就像為整個社區(qū)提供了一套完整的"智能體開發(fā)工具箱"，大大降低了入門門檻，促進了創(chuàng)新的普及。

特別值得一提的是，研究團隊還開源了基于Nex-N1構建的深度研究智能體，項目地址為github.com/nex-agi/NexDR。這為學術研究和知識工作自動化提供了一個實用的工具，展示了AI智能體技術在知識密集型任務中的應用潛力。

這種開源策略反映了研究團隊的遠見卓識。他們認識到，AI智能體技術的發(fā)展需要整個社區(qū)的共同努力，單憑一個團隊的力量很難覆蓋所有可能的應用場景和技術挑戰(zhàn)。通過開源，他們希望能夠建立一個開放的生態(tài)系統(tǒng)，吸引更多的研究者和開發(fā)者參與，共同推動這一領域的發(fā)展。

八、未來展望：從靜態(tài)學習到動態(tài)探索

研究團隊對未來的發(fā)展方向有著清晰的規(guī)劃。他們計劃將當前的基礎設施演進為大規(guī)模的強化學習模擬平臺。這個未來的系統(tǒng)不僅要能夠生成高度多樣化和逐步遞增難度的環(huán)境，還要能夠提供客觀可驗證的反饋。

這種演進的核心理念是從靜態(tài)的監(jiān)督學習轉向動態(tài)的強化學習。傳統(tǒng)的訓練方式就像讓學生反復練習標準答案，雖然能夠提高基礎技能，但難以培養(yǎng)創(chuàng)新思維和適應能力。而強化學習就像讓學生在真實環(huán)境中探索和試錯，通過與環(huán)境的互動來發(fā)現(xiàn)最優(yōu)策略。

研究團隊設想的未來平臺將能夠自動構建各種復雜的虛擬環(huán)境，這些環(huán)境不僅具有高度的多樣性，還能夠根據AI智能體的學習進度動態(tài)調整難度。這就像一個永不重復的"游戲關卡生成器"，能夠為AI提供無窮無盡的挑戰(zhàn)和學習機會。

更重要的是，這個平臺將支持客觀的性能評估，讓AI能夠通過直接的環(huán)境反饋來自我改進。這種設計將創(chuàng)建一個動態(tài)的"訓練場"，AI智能體可以在其中自主探索，掌握長期推理能力，并通過積極的環(huán)境交互不斷提升自己的技能。

這種愿景的實現(xiàn)將標志著AI智能體技術的一個重要里程碑。它意味著AI系統(tǒng)將不再僅僅是被動的信息處理器，而是能夠主動學習和適應的智能實體。這樣的系統(tǒng)將具備真正的通用智能潛力，能夠在面對前所未見的挑戰(zhàn)時自主找到解決方案。

說到底，Nex-AGI團隊的這項研究為我們展示了AI智能體技術發(fā)展的一個重要方向。他們沒有試圖一步到位地解決所有問題，而是從基礎設施建設入手，為整個領域搭建了一個堅實的技術平臺。正如一座高樓需要牢固的地基一樣，AI智能體技術的普及也需要這樣的基礎支撐。

通過Nex生態(tài)系統(tǒng)和Nex-N1模型，我們看到了AI從"能說會道"向"能做實事"轉變的可能性。這種轉變不僅是技術層面的進步，更是AI應用方式的根本性變革。在不久的將來，我們可能會看到更多基于類似技術的AI助手，它們不僅能夠理解我們的需求，還能夠自主地執(zhí)行復雜任務，真正成為我們生活和工作中的得力伙伴。

當然，這條道路上仍然存在許多挑戰(zhàn)和未知。如何確保AI智能體的行為可靠和安全，如何平衡自主性和可控性，如何應對復雜現(xiàn)實世界中的倫理和社會問題，這些都是需要整個社區(qū)共同面對的問題。但是，正如Nex-AGI團隊通過開源展現(xiàn)的合作精神一樣，只要我們能夠以開放和負責任的態(tài)度推進研究，相信這些挑戰(zhàn)終將被克服。

對于有興趣深入了解這項研究的讀者，可以通過論文編號arXiv:2512.04987v1查詢完整的技術論文，也可以關注團隊在GitHub上開源的相關項目，參與到這個激動人心的技術發(fā)展進程中來。

Q&A

Q1：Nex生態(tài)系統(tǒng)是什么？

A：Nex生態(tài)系統(tǒng)是由Nex-AGI團隊開發(fā)的智能體訓練基礎設施，包含NexAU、NexA4A、NexGAP三個核心組件。它就像一個超級工廠，能夠自動生成無窮無盡的訓練環(huán)境和高質量訓練數據，讓AI從只會說話轉變?yōu)槟軌蛘嬲龍?zhí)行任務的智能體。

Q2：Nex-N1與傳統(tǒng)AI模型有什么區(qū)別？

A：傳統(tǒng)AI模型就像只在圖書館學習的學者，只會預測下一個詞語，而Nex-N1就像經過實戰(zhàn)訓練的特種兵，具備在復雜環(huán)境中執(zhí)行具體任務的能力。它能夠跨不同框架穩(wěn)定工作，在編程、網頁開發(fā)、深度研究等實際任務中表現(xiàn)優(yōu)秀。

Q3：普通人能使用Nex-N1技術嗎？

A：是的，Nex-AGI團隊已經將Nex-N1模型、推理代碼和部分訓練數據完全開源，研究人員和開發(fā)者可以在GitHub上獲取相關資源。團隊還開源了基于Nex-N1的深度研究智能體，為學術研究和知識工作自動化提供了實用工具。