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=eb780b7380047002155886960c1b78a6转载,侵删。版权归原作者,如有侵权请来信,收到后删除。
同一批次的其他文章
Crusoe 把陷入麻烦的怀俄明数据中心项目卖给谷歌;谷歌宣布约 170 亿美元建设园区
丹佛数据中心商 Crusoe(近期估值约 309 亿美元)确认将怀俄明东南未完工园区售予谷歌;谷歌此前对成本与工期不满。规划曾瞄约 10GW;对价未披露,谷歌称将投约 170 亿美元建设。阿马里洛项目仍与 Crusoe 合作。凸显独立运营商交付巨型 AI 算力园区的难度。
BioBasicsBench:100 道日常湿实验任务,评 Agent 读原始数据、抓错误、敢说「证据不够」
与 Ligo 合作:凝胶/菌落/显微/测序等原始证据,覆盖蛋白、成像、定量、核酸、克隆五类;专家 rubric 三重审。xhigh 下 GPT-6 Astra 均分约 66.7% 可用分,GPT-5.6 Sol 约 43.8%。强调把日常实验做对,对科研加速与生物安保都有含义。
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:给 Agent 用的无头 3D/VFX 引擎——场景写成代码、渲染、看图、再改(约 2500 token API)
Rust+Slang,Vulkan/Metal;内核只留几何/光线查询等,其余由 Agent 边写边改。可改写光物理、线框森林、百万鸟群、实拍合成、GPU 流体。预览期源码可用免费;可按秒租云 GPU。对人机特效工具链是另一条「Agent-native」路径。
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:兄弟 Harness 救援失败任务,把能力迁回原 Harness 下的单一策略
改进什么:Harness 演化具局部性/互补性/非平稳性,难合成「万能外壳」。怎么做:方向性演化建兄弟池;仅在基座全败时路由 Top-k 救援;画像随策略重锚定。AppWorld/SWE-Gym/DBBench 回到 H0 仍显著优于纯策略训练。小红书等机构参与。
VFlash:按视觉原语整块并行解码——轨迹/框更快更准,MolmoSpaces 条件化约 70.2%
改进什么:自回归 VLM 逐 token 解坐标,细节越多越慢。怎么做:Flash Primitive Decoding 一次生成整块结构合法原语(文本仍投机验证)。轨迹误差下降;3D 点运动粗测约 25×;计划条件化 WAM 四套任务均分 70.2% vs 62.6%。
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。