NEX 能动性开源生态(公众号)
NEX:下一代能动性模型体系与开源生态
NEX:下一代能动性
模型体系与开源生态
11月19日,上海创智学院携手上海奇绩智峰、模思智能、跨赴科技等众多创业合作伙伴,共同发布下一代能动性模型体系与开源生态——Nex。 本项目旨在构建可持续迭代的能动性闭环开源生态,以技术突破赋能产业升级,真正推动 AI 能动性时代的到来。作为集模型、数据、Agent 开发框架与基础设施代码于一体的 AI Agent 全栈解决方案,Nex 致力于大幅降低 AI Agent 的开发与部署门槛,为学术界科研人员、产业界创业者提供高性能、高稳定、低成本的“开箱即用”能动体系,助力开发者将AI能动性快速落地各类应用场景。核心优势体现在以下三个维度:
1. 性能领先: 全尺寸覆盖,全能场景适配
全尺寸模型矩阵: 涵盖 8B 到 671B 全尺度模型,灵活满足从轻量级嵌入式场景到高性能复杂任务的多样化需求;
强能动性表现: 在通用能力、氛围编程、网页搜索、工具调用等复杂任务中达到行业领先水平,具备高效解决复杂问题的能力;
高实用价值: 在小程序开发、网页编写、幻灯片制作、角色扮演等真实生产力场景中表现出色,可提升工作效率。
2. 全面开源: 端到端闭环,全链路开源
端到端自主可控: 开发者可直接基于 Nex 完成从数据构造、模型训练、Agent 开发到部署落地的全流程 AI Agent 开发与产品构建,实现自主可控,降低开发成本;
全链路开源: 可一键获取的数据合成管线、高质量训练数据集、全尺寸能动性模型 Nex-N1、Agent 开发框架 NexAU、MoE 推理服务框架 EaaS、强化学习训练服务框架 NexRL,开源生态完备。
3. 拥抱生态: 立足真实场景,共创能动价值
场景驱动创新: 深度结合学术界科研探索、产业界实际开发等真实场景需求,重点优化模型面向实际应用的能动性表现;
生态协同共赢: 上海创智学院联合科研机构与创业生态伙伴,搭建开放协作平台,共同探索 AI 能动性技术边界,共创产业价值闭环。
Nex 已全面开源至 GitHub、Hugging Face 和 ModelScope,欢迎全球开发者探索使用。 后续将上线模型服务,通过 OpenRouter 提供便捷 API 接入服务,相关技术报告也将在后续正式发布,敬请关注。
💡相关链接:
GitHub链接:https://github.com/nex-agi
Hugging Face链接:https://huggingface.co/nex-agi
ModelScope链接:https://modelscope.cn/organization/nex-agi
Nex模型:
Agentic能力全面提升
基于能动性模型全链路方案,我们开源 4 款能动性模型:
模型 名称
基座 模型
🤗 链接
---|---|---
DeepSeek-V3.1-Nex-N1
DeepSeek-V3.1-Base
https://huggingface.co/nex-agi/DeepSeek-V3.1-Nex-N1
Qwen3-32B-Nex-N1
Qwen3-32B
https://huggingface.co/nex-agi/Qwen3-32B-Nex-N1
Qwen3-30B-A3B-Nex-N1
Qwen3-30B-A3B-Base
https://huggingface.co/nex-agi/Qwen3-30B-A3B-Nex-N1
internlm3-8B-Nex-N1
internlm3-8b-instruct
https://huggingface.co/nex-agi/internlm3-8B-Nex-N1
我们选取了6项代表性基准测试,从通用与专业能力维度,全面评估 Nex-N1 模型在 Agent 相关任务中的表现。结果表明,Nex-N1 系列模型在氛围编程、工具使用、后端开发等核心任务中表现优异。
GPT-5
Claude-Sonnet-4.5
Nex-N1
Gemini-2.5-pro
Kimi-K2-Thinking
GAIA2
60
40
20
42.1
37.8
29.5
25.8
24.9
21.9
18.3
17.1
T2-Bench
100
80
60
40
20
88.1
84.2
80.2
76.2
75.9
75.2
65.4
42.8
Terminal-Bench2
60
40
20
49.6
42.8
35.7
32.6
31.8
30
24.5
22.2
BaxBench
80
60
40
20
69.8
67.1
59.7
57.4
50.1
32.6
24.5
23.4
Gemini-2.5-pro
Kimi-K2-Thinking
DeepSeek-V3.1
MiniMax-M2
GLM-4.6
t2-Bench
88.1
84.2
80.2
76.2
75.9
75.2
65.4
42.8
BaxBench
69.8
67.1
59.7
57.4
50.1
32.6
24.5
23.4
SWE-bench Verified
77.2
74.9
71.3
70.6
69.4
68
66
59.6
60
40
20
BFCL v4
68.7
65.3
62.1
61.6
60.4
56.3
54
60
40
20
同时,Nex-N1 系列模型也在 Agentic coding、小程序全栈开发、网页编写、幻灯片制作等真实生产力场景中,展现了极强的易用性与实用价值。
Agentic Coding
为了测试模型在实用场景下的编程能力,我们在涵盖全栈开发、代码转写、游戏开发、数据分析、爬虫、测试样例编写、机器学习、矢量图生成、小程序开发等多场景的测试集上,将 Nex-N1 模型与国内外主流模型进行人工对战。测试过程中,我们聚焦真实开发场景中的核心需求,从代码准确性、执行效率、可读性及场景适配度等多维度展开客观评估并表现突出。所有测试集数据均已开源至 Hugging Face 平台:
https://huggingface.co/datasets/nex-agi/coding-eval.
| Nex-N1 vs MiniMax-M2 | 38.1% |
| Nex-N1 vs GLM-4.6 | 31.0% |
| Nex-N1 vs Kimi-K2-Thinking | 45.2% |
| Nex-N1 vs GPT-5 | 40.5% |
| Nex-N1 vs Claude-Sonnet-4.5 | 33.3% |
54.8%
7.1%
47.6%
21.4%
31.0%
23.8%
28.6%
31.0%
31.0%
35.7%
40%
60%
80%
100%
Win Tie Lose
小程序开发
我们联合跨赴科技,面向小程序开发场景进一步优化 Nex-N1 模型,打造低成本、高可用的全栈小程序开发解决方案。Nex-N1 模型精准适配小程序开发语法规则,同时支持相关素材的灵活检索调用。
张文学
文学工作者·作家
用文字记录生活,用心灵感爱世界
---
个人简介
我是张文学,一个热爱文字、热爱生活的文学工作者。从事文学创作已有十年,擅长散文、小说、诗歌等多种文体的创作。作品散见于各大文学刊物,已出版个人文集三部。
我相信文字是有力量的,它能够温暖人心,启迪思
个人简介
我是张文学,一个热爱文字、热爱生活的文学工作者。从事文学创作已有十年,擅长散文、小说、诗歌等多种文体的创作。作品散见于各大文学刊物,已出版个人文集三部。
我相信文字是有力量的,它能够温暖人心,启迪思想,记录时代。在创作的道路上,我始终坚持用心感受生活,用笔记录时代,用文字传递真善美。
目前专注于现代散文创作和文学评论,致力于在传统与现代之间找到平衡点,创作出既有传统底蕴又具现代气息的文学作品。
---
创作数据
- 首页
- 作品
- 简历
- 联系
张文学
文学工作者·作家
基本信息
姓名 张文学
性别 男
出生年月 1985年3月
学历 文学硕士
毕业院校 北京大学中文系
姓名 张文学
性别 男
出生年月 1985年3月
学历 文学硕士
毕业院校 北京大学中文系
工作经历
- [ ] 2020.01 - 至今
专职作家
自由职业
专注于散文、小说创作,在各大文学刊物发表作品30余篇,出版个人文集2部。
- [ ] 2015.06 - 2019.12
首页 作品 简历 联系
11:52
联系我
保持联系
期待与您交流合作
---
联系方式
电子邮箱
author@example.com
微信号
writer_zhang2024
联系电话
138-1234-5678
复制
拨打
微信号
writer_zhang2024
联系电话
138-1234-5678
QQ号码
123456789
社交媒体
微博
知乎
首页
作品
简历
张文学
左右滑动,查看更多
网页编写
为了测试模型生成前端网页的能力,我们在涵盖网页开发、小游戏开发、教育场景开发、3D 场景开发、数据可视化五大类任务的内部测试集上,将 Nex-N1 模型与国内外主流模型进行人工对战。
Nex-N1
vs MiniMax-M2
68.9%
Nex-N1
vs GLM-4.6
55.6%
Nex-N1
vs Kimi-K2-Thinking
46.7%
15
Nex-N1
vs GPT-5
46.7%
Nex-N1
vs Claude-Sonnet-4.5
26.7%
17.8%
0%
20%
40%
Win
Tie
Lose
| | 68.9% | 8.9% | 22.2% |
| 55.6% | | 11.1% | 33.3% |
| % | | 15.6% | 37.8% |
| % | | 24.4% | 28.9% |
17.8%
55.6%
40%
60%
80%
100%
Win
Tie
Lose
结果显示,Nex-N1 模型在功能实现、布局合理性、美观度等维度的表现,超越了除 Claude4.5-Sonnet 外的所有参比模型。本次评估的具体样例数据已整理至:
https://huggingface.co/datasets/nex-agi/html-eval.
图文网页
结合图片搜索、文件读写工具,基于 Nex-N1 模型和 NexAU 框架开发的智能体能够完成页面布局规划、图片优化与排版设计,输出兼具高审美质感与实用性的图文网页,支持多元化的 UI 风格灵活切换。
中国新年
新年起源
传统
生肖文化
美食文化
节日活动
祝福普洱
新年起源
春节,又称农历新年,是中国最重要的传统节日,有着四千多年的历
史。传说古时候有一种叫“年”的怪兽,每年除夕夜都会出来祸害百姓。
后来人们发现年尚害怕红色、火光和炸响,于是便有了贴春联、放鞭
炮、挂灯笼等习俗。除夕守岁的传统也由此而来,家家户户围坐一起,
等待新年的到来,祈求平安吉祥。
73
11
53
42
天
财
分
秒
传统习俗
春节习俗丰富多彩,每个习俗都蕴含着深厚的文化内涵。贴春联表达亲
好愿望,放鞭炮驱邪避凶,包饺子象征团圆美满,拜年传递祝福,压岁
钱寓意平安健康。这些传统习俗代代相传,构成了中国人共同的春节记
忆,凝聚着家的温暖和年的味道。
生肖文化
十二生肖是中国传统文化的重要组成部分,每个生肖都有其独特的象征
意义和性格特点。鼠聪慧、牛勤劳、虎勇猛、兔温和、龙尊贵、蛇智
潜府统
博学
生肖文化
十二生肖是中国传统文化的重要组成部分,每个生肖都有其独特的象征意义和性格特点。最典型、中新秀、虎勇猛、兔温和、龙尊贵、蛇智慧、马奔放、羊温和、猴机智、鸡守信、狗忠诚、猪憋死。生肖文化深深融入中国人的生活,影响着人们的性格、命运和人际关系。
---
美食文化
春节美食承载着田园和繁琐的美好寓意。年夜饭是春节的重要火炬,饺子象征财富,汤圆代表团圆,年轻寓意步步高升,鱼表示年年有余。每一道菜都精心准备,每一口都能含深情。在美食中,我们品味的是家的味道,感受的是浓浓的亲情。
---
德府统帅季庆
节日活动
春节期间,各地都会举办丰富多彩的庆祝活动。热闹的庙会、精彩的舞
龙舞狮、喧嚣的社会、美丽的花市,还有万众期待的春晚,共同构成了
春节的欢乐画卷。这些活动不仅传承了传统文化,也为人们带来了无尽
的欢乐和美好的回忆。
祝福寄语
新春佳节,送上最真挚的祝福。愿您在新的一年里,身体健康,万事如意,心想事成,阖家幸福!
恭喜发财
财源广进,富贵吉祥
万事如意
心想事成,一帆风顺
身体健康
龙马精神,福寿安康
生疏新年祝福
© 2025 中国青年·优秀中华文化,共庆新春佳节
上下滑动,查看更多
海报生成
针对学术海报生成需求,用户只需上传论文 PDF 或提供 论文链接,Nex-N1 模型便能智能提炼研究核心,高效产出符合学术规范的中英双语海报。
请根据uploads/2510.23027v1.pdf 中的内容帮我生成一个 poster
左右滑动,查看更多
帮我从uploads/2510.18927v1.pdf生成一张海报
BAPO: 通过自适应裁剪平衡策略优化稳定LLM的离策略强化学习
实现快速、稳定、数据高效的强化学习训练
Zhihang Xi², Xinguo Xin³, Yang Nan¹, Enyu Zhou¹, Jumui Shen¹, Wenxiang Chen¹, Jiaqi Liu¹, Jixuan Huang¹, Zhihao Zhang¹, Honglin Guo¹, Xun Deng², Zhikai Lei², Miao Zheng², Guoteng Wang², Shuo Zhang², Peng Sun², Rui Zhang², Hang Yan², Tao Gui³⁴, Qi Zhang¹, Xuanjing Huang¹
- 建立大学“上海创新教育有限公司”上海创新学院
研究背景
- 离策略在LLM中对齐具有高样本效率和容易被影响性的优势
- 离策略训练面临优化不稳定、策略偏急下限和训练崩溃的挑战
- 现有PPO-like方法使用固定对称裁剪,无法适应不同数据分布
---
方法设计
- 自适应裁剪:动态调整上下裁剪边界 \( \rho_{high} \) 和 \( \rho_{low} \)
- 平衡目标:确保正样本贡献达到目标比例 \( \rho_0 \)
- 偏保持:引入低概率正样本,过滤过度负样本
---
核心洞察
- 优化失衡:负优劣样本主导策略梯度,抑制有用行为并导致梯度爆炸
- 偏-裁剪规则:固定裁剪机制系统性地阻止掉增更新,导致过度利用
---
主要贡献
- 理论分析:识别并分析离策略中优化失衡和偏-裁剪规则两大关键问题
- 新算法BAPO:通过动态调整裁剪边界平衡正负信号,保持探索能力
- 全面验证:在多种模型架构、规模和离策略设置下验证方法有效性
---
算法优势
- 稳定优化:防止负样本主导和梯度爆炸
- 探索平衡:保持策略偏,避免过度利用
- 无需复杂调整:自动适应不同数据分布
---
实验配置
- 数据集:SkyWork-OR1-RL-Data,AIME 2024/2025评估基准
- 模型:DeepSeek-R1-Distill,Qwen2.5-Math,OctoThinker-Llama等
- 参数设置:\( \rho_e=0.4 \),裁剪范围[0.6,0.9]-[1.2,3.0],学习率2e-6
---
核心结果
- AIME 2024 (32B)
- AIME 2025 (32B)
- AIME 2024 (7B)
- AIME 2025 (7B)
---
性能对比
| 模型 | AIME 2024 | AIME 2025 |
| BAPO-32B | 87.1 | 80.0 |
| Qwen2-32B | 61.4 | 72.9 |
| SkyWork-OR1-32B | 82.2 | 73.3 |
| q3-mini | 79.6 | 76.7 |
BAPO: Stabilizing Off-Policy RL for LLMs via Balanced Policy Optimization
Achieving Fast, Stable, and Data-Efficient RL Training
Zhiheng Xin*, Xinguo Xin*, Yang Nan*, Enyu Zhou*, Junru Shen*, Wenxiang Chen*, Jiaqi Liu*, Jixuan Huang*, Zhihao Zhang*, Honglin Guo*, Xun Deng*, Zhikai Lei*, Miao Zheng*, Guoteng Wang*, Shuo Zhang*, Peng Sun*, Rui Zheng*, Hang Yan*, Tao Gui*+, Qi Zhang*, Xuanjing Huang*
*Fudan University *Shanghai Qili Zinfeng Co., Ltd. Shanghai Innovation Institute
Background
- Off-policy RL offers high sample efficiency and tolerance to data staleness for LLM alignment
- Off-policy training suffers from unstable optimization , sharp entropy decline , and training collapse
- Existing PPO-like methods use fixed symmetric clipping , unable to adapt to different data distributions
Impact of data staleness on training stability: increased staleness leads to reward fluctuation, entropy decline, and gradient explosion
Key Insights
- Imbalanced optimization : negative-advantage samples dominate policy gradient, suppressing useful behaviors and causing gradient explosions
- Entropy-Clip Rule : fixed clipping systematically blocks entropy-increasing updates, leading to over-exploitation
Main Contributions
- Theoretical analysis : Identity and analyze imbalanced optimization and Entropy-Clip Rule
- Novel BAPO algorithm : Dynamically adjust clipping bounds to balance signals and preserve exploration
- Comprehensive validation : Validate across multiple backbones, scales, and off-policy settings
---
Method Design
- Adaptive clipping : dynamically adjust upper and lower bounds \( C_{\text{high}} \) and \( C_{\text{low}} \)
- Balancing objective : ensure positive samples reach target contribution ratio \( p_0 \)
- Entropy preservation : incorporate low-probability positives while filtering excessive negatives
Algorithm Benefits
- Stable optimization : prevent negative sample dominance and gradient explosion
- Exploration balance : maintain policy entropy, avoid over-exploitation
- No complex tuning : automatically adapt to different data distributions
Experimental Setup
- Dataset : SkyWork-OR1-RL-Data, AIME 2024/2025 benchmarks
- Models : DeepSeek-R1-Distill, Owen2.5-Math, OctoThinker-Llama
- Hyperparameters : \( p_e=0.4 \), clip range [0.6,0.9]-[1.2,3.0], lr=2e-6
Key Results
- AIME 2024 (32B)
87.1%
- AIME 2025 (32B)
80.0%
- AIME 2024 (7B)
70.8%
- AIME 2025 (7B)
62.5%
Performance Comparison
| Model | AIME 2024 | AIME 2025 |
| BAPO-32B | 87.1 | 80.0 |
| Owen3-32B | 81.4 | 72.9 |
| SkyWork-OR1-32B | 82.2 | 73.3 |
| c3-mini | 79.6 | 76.7 |
左右滑动,查看更多
深度调研
深度调研(Deep Research)是学术研究、商业分析、战略决策等高价值场景的核心智能任务。我们基于 Nex-N1 模型实现深度调研智能体,可自主制定调研计划、网络查询、融合多源数据,支持多模态、不同格式的深度研究报告输出,实现从调研到制作的全流程智能化。
在 Deep Research Benchmark 榜单评测中,该智能体综合性能优异,在信息准确性、报告结构化程度及多模态可视化能力上均展现出领先优势。
Query : 深度调研英伟达近10年发展和今年近况,调研、分析、预测英伟达2025年11月18号发布的财报,并根据预测的财报、和各个机构预测的财报情况判断发布当日英伟达股价的涨跌趋势,制作成一份图文并貌的调研报告。
幻灯片制作
借助 Nex-N1 模型的编码能力与能动性,我们构建的幻灯片制作智能体可自主完成画面设计、素材收集、页面制作等任务。配合深度调研智能体,能够基于用户需求拆解任务、并行调研、分析汇总、素材搜集,交付信源可靠、信息富集、逻辑清晰且图文兼具的优质演示幻灯片。
Query : 请深度调研分析《黑神话 悟空》的成功,包括研发、发布、评价等全方面,并制作一份幻灯片报告讲解。
报告摘要与议程
核心发现
1 市场与口碑双重成功:销量被纪录,媒体玩家一致好评
2 技术与艺术里程碑:UE5引擎加持,实现顶级视觉呈现
3 成功是多维协同结果:经验团队、匠心研发、精准营销、文化IP共同作用
4 产业影响深远:提振国产游戏信心,树立行业新标杆
报告议程
1 背景溯源:游戏科学工作室
2 研发历程:UE5技术实现
3 发布策略:营销与社区运营
4 市场评价:销量与口碑
5 成功因素深度剖析
6 行业影响与未来展望
发布策略:精准、持续、破圈
三大核心营销策略
长期预热与社区建设
- 2020年起 持续发布高质量预告片
- B站、微博 积极互动,构建忠实粉丝社群
多平台差异化营销
B站:核心玩家阵地,首发实机演示
抖音:发起“直播首通大赛”,破圈传播
斗鱼/虎牙:头部主播直播接力,深度运营
IP联名与文化输出
瑞幸、滴滴 等品牌联名,触达圈外用户
海外营销融入书法、佛教等传统文化元素
“龙”译为“Loong”而非“Dragon”,体现文化自信
市场评价:口碑与销量齐飞
✔ 销量数据
① 发售后24小时内销量超450万份
Steam同时在线玩家峰值超210万,成为Steam史上第二热门的游戏
② 发售十天内,销量预估已达1600万套
③ 销售额冲
http://mp.weixin.qq.com/s?__biz=MzkwNzc1ODUwMQ==&mid=2247497915&idx=1&sn=eb780b7380047002155886960c1b78a6Reposted. Will be removed on request. All rights belong to the original author.
More from this batch
Crusoe sells troubled Wyoming data center project to Google
Crusoe sold its unfinished SE Wyoming campus to Google, which plans ~$17B to build it out after cost/timeline concerns.
Measuring how AI agents handle everyday wet-lab science
OpenAI+Ligo BioBasicsBench: 100 raw wet-lab tasks; GPT-6 Astra ~66.7% at xhigh vs 43.8% for GPT-5.6 Sol.
OpenAI×Frontier Model Forum:给「绕过防护是否可能造成严重网络伤害」定级框架
官方帖:与 FMF 成员机构一起发布框架,帮助判断绕过 AI 防护是否可能促成严重网络危害,并优先加强防护。属安全评测方法论,非新模型发布;可与 Vals CyberOffense 等攻防评测对照。
vork by Voyager: a headless 3D and VFX engine for agents
Research-preview headless 3D/VFX engine: agents write scenes as code (~2.5k-token API), render on GPU, inspect, revise.
Claude Duet 手机端可监控与审批 Claude Code 会话(本地与云端)
多条社区与日报称:Claude Duet App 已能查看 Claude Code 会话状态、审批改动、发送更新,覆盖本地与云会话。对「人在回路」远程盯编码 Agent 有直接产品含义;以 Anthropic 客户端实际能力为准。
Linus Torvalds 批强制披露「是否用了 AI」:结果比工具更重要
X 趋势话题:Torvalds 在编码相关讨论中称强制 AI 使用披露「utterly stupid」,强调看结果而非工具。属社区言论摘要,细节以原帖/邮件列表为准;对企业合规「AI 生成标记」政策是反面对照。
建设者把重心放在 Agent Harness(工具/记忆/子代理/校验),而非「完美模型」
趋势摘要:多位建设者强调用 harness 组合让 Agent 能稳定跑数小时任务。可与本期 Harness-S 论文、ECC 等仓库对照;属舆论主题而非单一产品发布。
Harness-S: Learning from Sibling Harnesses for Generalizable Agent Training
Selective sibling-harness rescue transfers complementary behaviors into one policy that still works under the original harness.
VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding
Parallel primitive decoding cuts trajectory error and latency; VFlash-conditioned WAM hits 70.2% on MolmoSpaces suites.
Decoupled Predictive Decision Making:共享条件预测器服务多 Agent 决策
改进什么:多 Agent 各自学预测易冗余、难共享。怎么做:解耦出共享条件预测器,决策头按需使用。HF↑114,适合对照多智能体世界模型/规划栈。
SPECMEM:用跨会话活记忆加速工具调用的投机解码草稿
改进什么:工具调用仍自回归解码,延迟高;现有系统无跨会话草稿库或建完不更新。怎么做:按用户重复行为维护可更新的草稿记忆,服务投机解码。面向部署侧工具 Agent 延迟。
Tools Need Not Speak in Text:工具结果用隐式上下文压缩,少占对话 token
改进什么:工具返回全进文本上下文又贵又吵。怎么做:对工具观测做隐式压缩再注入 Agent。适合长工具链企业 Agent 控成本。