模型调用费用
员工分别使用不同的 AI 工具，用量与费用分散，难以统一治理。
Nextie明日新程
部署于企业自有环境：知识、数据与模型能力，留存在企业内部，由企业掌握。
为什么需要智权 AI
企业使用 AI 的两项成本
业务经验外流
为了让模型理解业务，业务背景、内部流程与专业经验被提供给模型厂商；使用经验沉淀在个人账号，难以在组织内复用。
智权 AI 让企业在 AI 应用中形成的知识、数据与模型能力，留在企业内部，由企业掌握。
智权——自主掌控和演进
自身 AI 能力的权利。
自身 AI 能力的权利。
组织有权用自己的经验塑造自己的 AI。
北坡通过高效运行服务与模型训练，让组织真正行使「智权」。
组织拥有智权的三个标志
数据可控
企业决定自身数据、知识与经验的授权范围、使用目的和访问权限。
能力专属
组织提供的专有知识、经验与反馈，不会用于改进通用模型或服务其他客户。
智能可塑
组织按照自己的业务目标和评价标准，训练、验证并持续改进专属 AI。
通用模型能力，
是攀登的起点。
联合发布
Nex 系列
上海创智学院牵头、北坡联合发布的 Nex 系列能动性模型，面向搜索、编程、工具调用与计算机使用。
自主发布
North 系列
北坡自主发布的 North 系列模型。
NorthCUA即将发布
从组织办公到专属模型
覆盖组织办公、智能体运行、模型接入与治理、模型训练、推理优化。
用真实场景，
检验专属智能。
楼宇自动化
让模型理解设备与业务关系，在现场环境中调用工具、执行流程。北坡围绕设备告警查询与流程执行做专项后训练；模型部署于企业内网，推理成本更低，便于持续迭代。
- 任务
- 设备告警查询与流程执行
- 模型
- Qwen 9B
- 评测
- 现场端到端评测
基座：Qwen 9B 基座专项：Qwen 9B 训后
任务准确率
专项端到端表现
基座67.9%
专项87.5%
响应中位数
基座8.4秒
专项4.3秒
单任务 Token 用量
约 −49%基座378
专项194
面向真实营销任务开展领域训练，提升业务请求理解与工具调用的表现。
- 任务
- 真实营销任务与工具调用
- 模型
- Qwen 3.8 27B
- 评测
- 固定业务请求评测
- 对照
- GPT-5.6 Sol
基座模型后训练模型
业务评测得分
只需 27B，达到 GPT-5.6 Sol 水平；API 成本下降 10 倍
纵轴展示 78–88 分区间。
在多轮行程规划与工具调用中，以 38B 后训练模型达到 DeepSeek V4 Flash（284B）的水平。
- 任务
- 多轮行程规划与工具调用
参考模型：DeepSeek V4 Flash · 284B后训练模型：38B
模型参数规模
DeepSeek V4 Flash284B
后训练模型38B
低质量回复占比
越低越好DeepSeek V4 Flash12.16%
38B 后训练模型11.83%
结论
模型规模缩小，业务效果相当。
从真实业务场景出发
政企
政务业务智能化与园区企业服务
科技与互联网
制造业
金融
从一个真实业务任务开始
共同选定业务场景，确定验收标准，在你的环境中完成验证，再决定推广范围。
场景选定
与业务部门共同确定高频、可量化的业务场景。
验收标准制定
明确数据范围、权限要求与验收指标。
私有化试点
按你的部署与安全要求，在你的自有环境中完成试点。
Weaver
企业专属模型训练平台
基于企业数据训练专属模型，支持通过 Tinker API 进行 SFT、RL、LoRA、Jev 与 Embedding 训练，权重归企业所有。
- 领域训练基于企业数据与业务验收标准开展领域训练，覆盖生成模型、Jev 与 Embedding 模型；支持 LoRA、全量微调与 NexRL 强化学习，按任务选择训练方式。训练效果以企业业务评测为准。
- 托管训练提供 Python 原语级训练接口，数据、损失函数与评估逻辑由算法团队定义；GPU 调度、并行训练与故障恢复由平台承担，企业无需自建训练集群；Multi-LoRA 共享基座，同等 GPU 可服务 30 个以上 LoRA 模型。
- 模型管理集中记录模型、指标、检查点与资源用量，支持中断恢复与实验对比；通过评测的模型权重可导出，由企业自行保存和部署。
企业自主掌控
专属模型归企业所有
训练任务、数据与验收标准由企业确定，新数据可通过训练接口持续进入迭代；通过评测的模型权重可导出，由企业自行保存和部署。
训练数据与评测标准由企业定义和保管，以企业业务评测衡量训练效果
训练循环与算法损失函数、采样与评估逻辑由企业团队编写
检查点与实验记录每次训练可追溯、可恢复、可对比
模型权重通过评测的权重可导出，由企业自行保存和部署
01
领域训练
企业数据领域训练
业务经验无需交给模型厂商，企业即可拥有适配自身业务的模型。企业专业任务有特定的流程、术语与标准。基于企业数据开展生成模型、Jev 与 Embedding 模型的领域训练：生成模型适配业务流程与任务，Embedding 模型适配企业语义检索与匹配；具体训练目标与验收标准在项目中共同确定。训练后的模型可部署于企业自有环境。
生成模型训练Jev 训练Embedding 训练企业数据与评测
DeepSWE v1.1
Nex-N2.5对照模型
55.8
65.6
62.8
66.9
67.5
72.7
73.7
Nex
ProNex
MaxDeep
SeekGLM-5.3Kimi-K3GPT-5.6
SolClaude
Opus 5
ProNex
MaxDeep
SeekGLM-5.3Kimi-K3GPT-5.6
SolClaude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
SWE-Bench Pro
Nex-N2.5对照模型
61.2
65.7
55.4
63.3
64.6
64.6
79.2
Nex
ProNex
MaxDeep
SeekKimi-K3GPT-5.6
SolGLM-5.3Claude
Opus 5
ProNex
MaxDeep
SeekKimi-K3GPT-5.6
SolGLM-5.3Claude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
Terminal-Bench 2.1
Nex-N2.5对照模型
82.7
86.1
87.9
88.2
88.3
88.8
89.1
Nex
ProNex
MaxDeep
SeekGLM-5.3Kimi-K3GPT-5.6
SolClaude
Opus 5
ProNex
MaxDeep
SeekGLM-5.3Kimi-K3GPT-5.6
SolClaude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
Toolathlon Verified
Nex-N2.5对照模型
68.5
74.7
73.0
74.1
74.9
76.5
76.5
Nex
ProNex
MaxGLM-5.3Deep
SeekGPT-5.6
SolClaude
Opus 5Kimi-K3
ProNex
MaxGLM-5.3Deep
SeekGPT-5.6
SolClaude
Opus 5Kimi-K3
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
AutomationBench v1.0.6
Nex-N2.5对照模型
44.2
50.2
43.2
45.8
46.7
48.2
50.3
Nex
ProNex
MaxDeep
SeekGPT-5.6
SolKimi-K3GLM-5.3Claude
Opus 5
ProNex
MaxDeep
SeekGPT-5.6
SolKimi-K3GLM-5.3Claude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
GDPval-AA v2
Nex-N2.5对照模型
1628
1713
1588
1675
1711
1763
1831
Nex
ProNex
MaxDeep
SeekKimi-K3GPT-5.6
SolGLM-5.3Claude
Opus 5
ProNex
MaxDeep
SeekKimi-K3GPT-5.6
SolGLM-5.3Claude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
Nex · 通用 Agent 基础能力
Mini · 35B / A3B；Pro · 397B / A17B；Max · 1.6T / A49B。覆盖软件工程、搜索研究与长程任务，Mini / Pro 支持视觉反馈与计算机操作。
Weaver / TaaS · 企业持续训练
LoRA、全量微调、NexRL 强化学习；企业标准与数据 → 训练与验证 → 模型服务接入。支持超过 1,000 steps 的 RL 长稳训练；训练与生产推理资源分别规划。
02
领域训练
以业务评测为准的训练流程
训练是否成功，以企业的业务验收标准衡量。先确定任务与验收标准，再完成数据准备、训练与验证，通过评测的模型接入模型服务。训练效果以业务评测结果为准。
企业标准与数据训练与验证模型服务接入
03
领域训练
面向不同任务的模型训练
按业务目标选择模型类型与训练方式。领域训练支持 Jev 与 Embedding 模型训练，Embedding 训练用于适配企业语义检索与匹配。生成模型训练可采用 LoRA 快速实验与频繁更新，复杂任务可采用全量微调；提升工具调用与多步推理能力可采用 NexRL 强化学习，支持超过 1,000 步的长时稳定训练。
Jev 训练Embedding 训练LoRA全量微调NexRL 强化学习
04
托管训练
可编程训练接口与托管集群
算法团队专注数据与算法，分布式训练的基础设施由平台承担。提供 Python 原语级接口，数据、损失函数、采样与评估逻辑由算法团队定义；GPU 调度、并行策略、故障恢复与弹性伸缩由平台负责，企业无需自建训练集群。
可编程训练按需使用算力整合国产与零散算力
05
模型管理
实验追踪与模型权重导出
每一次训练都可追溯、可对比，训练成果由企业保存。集中记录模型、指标、采样、检查点与资源用量；支持检查点中断恢复与实验横向对比，通过评测的模型权重可导出，由企业自行保存和部署。
训练会话检查点与版本实验对比权重导出
06
托管训练
Multi-LoRA 共享基座
同等算力可承载更多专属模型。多个 LoRA 任务共享同一基座模型。北坡测试中，同等 GPU 可同时服务 30 个以上 LoRA 模型，两个 LoRA 任务并行训练效率提升 30% 以上。
Multi-LoRA训练与推理资源复用
共享基座模型（冻结权重 W）
Adapter A₁ / B₁Adapter A₂ / B₂Adapter Aₙ / Bₙ
LoRA 原理
只训练低秩矩阵 A、B；计算量由 d² 降至 2dr（r ≪ d）。
能力表现
在特定场景下，LoRA 与全量微调表现相当；原材料示例为 GSM8K。
Multi-LoRA Serving
共享基座权重，Adapter 独立计算；通过 batch GEMM 同时处理多个请求。
Multi-LoRA Training
共享基座，同时选用各自 Adapter 计算；反向传播较复杂，原理一致。
计算资源
原材料：单个 LoRA 训练约为 Full FT 计算量的 2/3，可节省约 30% 算力。
资源复用
原材料：同等 GPU 可同时 serving 30+ 模型；2 个 LoRA 训练任务效率提升 30% 以上。
效果验证
领域训练效果
以下结果来自各项目的业务评测，展示较小模型经领域训练后的任务表现与模型规模变化。
端到端表现
67.9%
87.5%
楼宇自动化 · 设备告警查询与流程执行
Qwen 9B，现场端到端评测 28 题；响应中位数由 8.4 秒降至 4.3 秒。
业务评测得分
79.8
85.8
市场营销 · 真实营销任务与工具调用
Qwen 3.8 27B，400 条固定业务请求评测，达到 GPT-5.6 Sol 水平（84.1）。API 成本下降 10 倍。
模型参数规模
284B
38B
旅行规划 · 多轮行程规划与工具调用
38B 后训练模型，在多轮行程规划与工具调用中达到 DeepSeek V4 Flash（284B）水平。
低质量回复占比 · 越低越好
DeepSeek V4 Flash
12.16%
38B 后训练模型
11.83%
部署
部署与交付
- 训练资源与生产推理资源分别规划，可按项目提供托管训练或部署在企业环境中。
- 支持基于开源模型的训练，模型选择不绑定单一厂商。
- 训练完成的模型可接入 NorthGate 统一提供服务，并与 NAC、小北中的智能体配合使用。
- 训练效果以双方约定的业务评测为准，项目启动时共同确定任务、数据与验收标准。
NorthGate
企业 AI 接入与治理平台
NorthGate 是北坡面向企业的 AI 接入与治理平台，统一连接本地与云端模型。企业可自主选择模型、制定使用规则，在授权范围内积累可分析、可复用的交互数据，为持续改进 AI 能力提供依据。
- 模型接入与调度连接本地与云端模型，降低接入与切换成本，让应用与智能体按任务需要使用模型能力。
- 使用治理与安全将权限、费用与安全要求落实到模型使用中，统一管理员工工具、企业应用与智能体的 AI 使用。
- 运行观测与业务洞察关联调用用量、成本、时延与错误；项目与任务洞察正在建设中，逐步分析 AI 投入与业务活动的关系。
- 数据资产与迭代协同积累可复用的交互记录，规划衔接业务反馈、评测与 Weaver 训练，支持企业专属模型持续改进。
企业自主掌控
连接开放生态，积累自主能力
接入哪些模型、谁能使用、数据如何留存与复用，由企业根据业务与管理要求决定。统一接入模型的同时，让使用规则与数据积累由企业自主掌控。
模型选择权自主选择、切换与组合模型，持续接入新模型能力
治理自主权依据企业权限、安全与预算规则管理 AI 使用
数据治理权自主确定交互数据的采集、留存与授权复用范围
持续优化能力以真实使用与业务反馈为依据，持续改进模型和使用方式
01
模型接入与调度
让企业应用与智能体按需使用合适的模型。统一接入本地与获准的云端模型，兼容主流协议，降低应用适配成本。按任务类型与配置的路由策略选择模型，通过服务健康监控与故障切换保障可用性，让通用模型与企业专属模型共同服务业务。
兼容主流协议本地与云端模型按任务选择模型服务健康与故障切换
02
使用治理与安全
让 AI 使用有明确的权限、费用与安全边界。面向员工工具、企业应用与智能体，围绕团队、用户与访问凭证实施分层授权，配置模型权限、配额与限流规则。通过费用记录、规则过滤、脱敏与使用追溯，支持企业统一管理 AI 使用。
分层授权与模型访问控制配额、限流与费用管理规则过滤与脱敏使用记录可追溯
03
运行观测与业务洞察
看清 AI 的运行表现，逐步理解投入流向哪些工作。对经过网关的模型调用，关联用量、成本、时延与错误，并按可识别的会话查看多轮交互及其中的工具调用信息。项目与任务洞察正在建设中，将逐步关联用量归因与业务活动，为资源配置和工作方式改进提供依据。
会话级调用链路用量、成本与性能项目与任务洞察 · 建设中
04
数据资产与迭代协同
让真实使用中的经验成为模型改进的依据。NorthGate 提供交互记录、检索与分析能力。规划中的迭代流程将这些记录与业务系统、业务人员提供的任务结果和纠正反馈关联。获得授权并完成脱敏、筛选和质量检查后，整理为相互独立的评测集与训练集；Weaver 承担模型训练，改进后的模型重新接入 NorthGate，经业务验证后推广使用。
交互数据积累业务反馈关联 · 规划中评测与训练协同 · 规划中
目标流程：反馈关联、数据集整理与训练衔接规划中。
- 业务应用与人员
产生模型交互、任务结果与纠正反馈。
- NorthGate
积累记录，支持分析与数据整理；在授权范围内供给迭代数据。
- Weaver
使用训练数据改进模型，独立的评测数据用于验证效果。
- 业务验证与应用
验证效果后经 NorthGate 接入业务，积累新一轮反馈。
典型场景
从统一使用，到持续积累
企业 AI 统一接入与管理将员工 AI
工具、业务应用与智能体接入统一入口，集中管理模型权限、用量与费用。
本地与云端模型协同将本地专属模型与获准的云端模型纳入同一套接入和调度体系，按任务选择模型。
业务经验支持模型迭代规划将真实交互与业务反馈整理为评测和训练数据，与 Weaver
协同验证模型效果。
进展状态
能力进展
统一接入兼容主流协议，聚合多家供应商，渠道健康监控与故障切换
企业级治理分层授权、配额限流与费用管理，使用记录追溯与隐私保护
调用记录与会话追踪按企业隐私规则留存调用记录，关联可识别的会话、用量、成本与性能
AI 安全护栏在规则过滤、脱敏与拦截基础上，完善内容风险识别与防护
项目与任务洞察分析范围延伸至组织、项目与任务层面，识别可推广的最佳实践
智能路由已支持按任务选择模型，后续建立质量评估与运行反馈机制
数据迭代协同规划关联业务反馈，分别整理评测与训练数据，与 Weaver
协同验证模型改进
部署
部署与交付
- 支持私有化部署，统一管理本地模型与企业批准使用的云端模型服务。
- 可独立部署，也可与 NAC、小北及 Weaver 组合使用，对接企业已有应用与模型服务。
- 私有化部署时，调用记录存储于企业指定环境。云端模型按批准范围接收请求，数据留存与复用遵循企业授权及隐私要求。
- 试点围绕明确的业务需求开展，按所选能力约定接入范围、数据要求与验收标准。
产品 · 智能体开发与托管平台
North Agent Cloud
为企业技术中台建设统一的智能体基础设施
North Agent Cloud（NAC）面向企业的技术中台部门：安全与审计、资源与成本、运行观测由平台统一管住，业务部门用自选的框架建设智能体，并在使用中持续优化。
-
01
统一纳管，控制风险
安全沙箱、密钥隔离、身份透传与全程审计，智能体收进一个可管的边界
-
02
统一建设，降低成本
资源共享、按需启动，按示例负载测算，执行环境费用可节省 95%+
-
03
灵活接入，框架自选
业务方自选智能体框架（Harness），底座统一托管，标准统一
-
04
持续优化，快速迭代
运行、观测、评测、改进、发布形成闭环，智能体越用越好用
谁来用各业务部门
- 业务系统
- 门户与协同办公
- 企业 IM 与业务流程
- API / SDK
- 前端嵌入
怎么建业务方自选框架
- NexAU
- LangGraph
- DeepSeek Harness
- OpenCode
- Claude Code
- Codex
- 自研框架
谁来管技术中台 · North Agent Cloud
- 安全沙箱隔离执行、用后销毁
- 密钥与身份统一保管、身份透传
- 资源调度共享资源、闲时缩容
- 观测与审计执行记录、用量统计
- 评测与发布回归评测、灰度回滚
部署在哪企业环境
- 公有云 / 私有化 / 信创
- 内网与离线环境
- 模型不绑定，可经 NorthGate 统一接入
核心价值
技术中台建底座，业务部门建应用
企业的技术中台负责给业务部门提供智能体基础设施。North Agent Cloud 帮技术中台做到四件事。
01
统一纳管，控制风险
把分散在各部门、各台电脑上的智能体，收进一个可管的边界。
各建各的
- 没法监控调用了什么工具、访问了哪些地址，无人知晓
- 没法审计出了问题追不到人，也还原不了过程
- 没有沙箱智能体直接在个人电脑和内网环境里执行
- 密钥散落API Key 写在脚本和配置文件里
在 North Agent Cloud 上
- 安全沙箱每个会话独立沙箱、用后销毁，只能访问授权地址
- 密钥隔离凭证由 Vault 托管、运行时注入，智能体只能使用、接触不到；数据由 KMS 加密，支持国密
- 身份与权限以用户本人身份访问业务数据；支持多组织、多租户与角色权限，对接企业统一身份认证
- 全程审计对外访问与操作过程全程留痕，支持行为回放与责任追溯
02
统一建设，降低成本
智能体并不是 7×24 小时运行。不再为每个智能体单独配沙箱和服务器，资源统一建设、共享复用。
95%+执行环境费用可节省
按示例负载测算：沙箱每天实际执行约 1 小时，占用时长仅为全天常驻的 1/24。仅含执行环境费用，不含模型调用费用，实际节省视业务负载而定。
- 思考与执行分离智能体等待模型和用户时不占执行资源，仅在执行工具时启动沙箱
- 按需启停，亚秒级就绪沙箱从预热池认领，预热后 0.3 秒内就绪；空闲时暂停，恢复后从断点继续
- 弹性伸缩，错峰复用闲时缩容至零；不同部门、不同时段的业务共用同一套资源
- 能力复用成熟的智能体与技能发布到 Agent Hub 与 Skill Hub，新场景不必从头搭建
03
灵活接入，框架自选
AI 进步太快，平台不能押注某一种智能体模式；各业务方偏好的智能体框架（Harness）也各不相同。上层由业务方自选，底座统一托管，已有的投入可以延续。
平台内构建
- 对话式构建
- 低代码
- 高代码
业务人员用对话描述需求，平台生成智能体；开发团队用低代码配置或高代码编辑，在线调试后发布。
平台托管
- NexAU
- LangGraph
- DeepSeek Harness
- 自研框架
用这些框架写好的智能体直接交给平台托管上线，支持灰度发布与一键回滚；已有的工作流智能体同样可以迁入。
沙箱内运行
- Claude Code
- Codex
- OpenCode
主流智能体连同终端与文件环境放进安全沙箱，直接可用，同样受密钥、出网与审计规则约束。
框架可以不同，安全、成本与可观测的标准必须相同。
04
持续优化，快速迭代
智能体上线只是开始。统一纳管后，每个智能体的使用情况都看得见；发现问题就改进、评测、再发布，智能体在使用中越来越好用。
- 运行业务部门通过业务系统日常调用
- 观测全链路执行记录与行为回放
- 评测评测集管理，批量评测与过程评测
- 改进定位问题，修改 Prompt 或 Skill
- 发布回归评测后灰度发布，出问题可回滚
每个智能体都看得见
- 谁在用
- 统一身份：哪个部门、哪些人、从哪个入口在用
- 用得怎么样
- 全链路执行记录、行为回放、自动诊断与评测结果
- 用了多少
- 调用次数、Token、算力与耗时
交付
部署与交付
- 支持公有云、私有化与信创环境部署，可在企业内网与离线环境运行
- 模型不绑定：可使用平台内置模型或企业已有的大模型服务，并可经 NorthGate 统一管理
- 已有智能体按框架类型选择平台托管或沙箱内运行，迁移方式在项目中评估确定
小北
企业组织大脑
小北是北坡面向企业推出的组织大脑，提供数字员工、组织知识与技能管理、企业级安全管控三项核心能力，将分散在员工个人的知识与工作经验沉淀为企业可管理、可复用的组织能力。
- 数字员工承担深度研究、数据分析、报告与演示材料编写等日常办公与专项业务；支持定时任务、群消息监听与 Webhook 触发，可在云电脑或员工本地电脑上运行。
- 组织知识与技能管理知识库、岗位数字员工与技能按组织架构统一配置、分级授权；经过验证的工作方法可在团队内共享复用。
- 企业级安全管控统一身份认证、最小权限与操作审计；支持私有化部署，资料、执行过程与交付成果保存在企业内部。
企业自主掌控
组织知识与工作方法沉淀在企业内
知识库、数字员工与技能按组织架构归属和授权；任务过程与成果完整留存，经过验证的工作方法沉淀为企业可复用的组织能力。
组织知识分级知识库与访问权限
工作方法岗位数字员工配置与技能
任务记录任务过程与交付成果
部署与模型部署环境与模型服务选择
01
数字员工：日常办公与专项业务
员工负责提出要求与审核成果，研究、分析与材料编写由数字员工完成。数字员工支持深度研究、数据分析与可视化、报告与文稿写作、PPT 生成等日常办公任务，以及尽职调查、内容审核、专利分析、财报审计、可行性研究等专项业务：根据目标、资料与交付要求规划步骤、调用技能并生成文件；执行过程随时可查看，交付结果区分事实与待确认事项，研究类结论注明来源与时间，并支持在同一任务中多轮修改。
日常办公专项业务多轮修改
-
PPT年度工作汇报
-
设计城市运行监测大屏
-
PPT年度业绩发布
-
设计政府门户网站
-
PPT可持续发展报告
-
设计业务数据看板
-
PPT行业战略分析
-
设计年度数据信息图
-
PPT营销活动方案
-
设计经济运行分析报告
-
PPT技术分享
-
设计办事指南页面
-
PPT临床诊疗汇报
-
PPT培训课件
-
PPT团队周报
02
岗位数字员工
同一岗位的工作，按同一套要求完成。企业基于客户支持、研发协作、数据分析、市场内容、运营协作、财务分析、合规审查等岗位模板，为数字员工配置岗位职责、工作规则、默认模型与专项技能，测试通过后发布；发布与使用范围按组织架构和角色设置，岗位上的员工使用同一套配置，团队标准不因人员变动而流失。
岗位模板职责与工作规则发布前测试
03
组织知识库与权限管理
企业资料在权限范围内得到充分利用。知识库按企业、部门、项目团队与个人分级，按组织架构与角色设置查看、问答与共享权限；数字员工仅在使用者的权限范围内检索资料，每项任务所用资料均可查看。
多级知识库查看 · 问答 · 共享权限资料使用可查看
04
技能与连接器市场
业务骨干的工作方法，可供全组织使用。业务人员通过自然语言将验证有效的工作方法构建为技能，按组织架构发布与授权，同事在同类工作中直接调用、共同迭代；连接器市场提供企业业务系统与数据的接入，并支持自建 MCP 连接器。
技能市场连接器市场自建 MCP
05
运行环境：云电脑与本地电脑
需要处理本地文件的任务，可直接在员工电脑上执行。任务按项目选择运行位置：云电脑提供云端执行环境，适用于不依赖本地文件与软件的任务；通过 North Studio 连接员工本地电脑后，任务在授权目录内处理本地文件。
云电脑North Studio 本地电脑授权目录
06
自动化：定时任务、群消息监听与 Webhook
固定工作设置一次，按时或按事件自动完成。已完成的任务可设置为定时任务按周期运行，也可监听飞书群消息触发，或由业务系统通过 Webhook 调用，适用于日报汇总、群消息整理、定期检查与数据更新等工作；执行记录与成果统一留存。
定时任务群消息监听Webhook
07
企业 IM 接入
员工在日常使用的企业 IM 中即可发起任务。支持接入飞书，员工可在私聊或群聊中向数字员工发起任务，数字员工以机器人形式加入工作群并响应同事请求，渠道可单独配置默认模型。
飞书私聊与群聊机器人接入工作群渠道默认模型
08
安全与私有化部署
企业可在私有环境中规模化推广 AI 办公。小北支持部署于企业私有环境，提供网页端与桌面端，对接企业统一身份；统一身份、最小权限、凭证隔离、沙箱执行与操作审计覆盖访问、执行与接入全过程，操作全程可追溯。模型可使用企业自有模型服务；经 NorthGate 统一治理时，可使用 Weaver 训练的专属模型。
统一身份凭证隔离沙箱执行操作审计
场景
典型场景
九类常见工作，每一类都是一次完整的任务：带上材料写清要求，小北拆步骤、读资料、执行，最后交回结论和可以直接用的文件。
基于原始记录整理，区分事实与待确认事项。
- 交给小北
- 一份 45 分钟的周会录音转写
- 拿回成果
- 纪要：3 项已确认结论、2 项待确认事项、4 条带负责人的待办
按受众、结构与风格生成演示文稿。
- 交给小北
- Q3 经营数据表格和品牌手册
- 拿回成果
- 6 页管理层汇报，结论先行，配色按品牌手册，另附可编辑的 PPT
梳理数据与指标口径，输出分析结论与异常说明。
- 交给小北
- 近 8 周的注册转化数据
- 拿回成果
- 分析报告：指标口径、趋势图、异常周和原因
围绕问题检索分析，注明来源与时间。
- 交给小北
- 一个市场调研问题
- 拿回成果
- 调研报告：4 个方向并行检索，结论都标了来源和发布日期
汇总资料，生成结构完整的报告初稿。
- 交给小北
- 需求说明、项目排期和资料库里的数据
- 拿回成果
- 六章可行性研究报告初稿，缺的信息单独列出，不编造
检索核对资料，提示异常与风险。
- 交给小北
- 两年财务报表和工商登记信息
- 拿回成果
- 核查清单：7 项发现按风险高低排列，每条注明出处页码
检索比对专利资料，形成分析结论。
- 交给小北
- 自己的技术方案文档
- 拿回成果
- 比对报告：相近专利、逐项技术特征比对、规避建议
按规则检查材料，标注需复核内容。
- 交给小北
- 活动落地页文案和品牌手册
- 拿回成果
- 审核意见：在原文上标出 6 处，分需修改、需复核和建议优化
按时间或事件自动执行固定工作。
- 交给小北
- 一个每天 9:00 执行的定时任务
- 拿回成果
- 每日巡检报告，发现异常自动在飞书提醒你
部署
部署与交付
- 部署于企业私有环境，提供网页端与桌面端，对接企业统一身份。
- 知识库、数字员工与技能按组织架构与角色设置可见与使用范围。
- 模型可使用企业自有模型服务或经批准的模型，并可经 NorthGate 统一管理。
- 业务智能体可在 NAC 上构建与托管，与小北组合使用。
- 连接器、企业 IM 渠道与自动化触发方式，以企业实际启用的范围为准。
产品 · 大模型推理优化
NorthInfra
同样的模型质量，更少的卡、更快的响应。
从模型、缓存、推理引擎到算力调度一体化优化，并用企业的真实业务数据持续迭代——越用越省，越用越快。
- −57% 同等调用规模下的用卡量
- 1,000+ 单请求生成速度 tokens/s
- −70% 智能选模型后每题成本，质量持平
数据来自北坡内部生产实践，统计口径与适用条件见页底说明。
从问题到价值
企业的问题，我们这样解决
-
客户痛点
算力成本越用越高
调用量一涨，GPU 跟着涨；为峰值预留的算力在低峰闲置。
我们的功能
模型压缩 + 闲置算力复用
量化与蒸馏降低单次计算量；夜间低峰的算力自动转去做优化训练。
带来的价值
−57%
用卡量（1,200 → 512 卡）
-
客户痛点
响应慢、吞吐与速度难兼得
长上下文任务反复重算；高并发和实时交互很难同时满足。
我们的功能
缓存复用 + 自适应推理
相同上下文直接命中缓存；按实时负载自动切换高吞吐 / 低延迟模式。
带来的价值
1,000+tok/s
单请求速度，缓存命中率 90%+
-
客户痛点
强模型贵，小模型怕不稳
全部调用最强模型成本高；换小模型或压缩又担心效果下降。
我们的功能
智能选模型 + 精度修复
按任务难度自动分配合适的模型；压缩后再训练修复，守住效果。
带来的价值
−70%
每题成本；量化精度损失 ≤1%
-
客户痛点
模型无法越用越好
业务数据没有沉淀，模型不能按业务迭代，每次换模型都要改应用。
我们的功能
数据闭环 + 无感升级
统一入口沉淀真实请求，持续训练评测；灰度替换，应用无需改造。
带来的价值
30%–500%优化目标
领域场景提速目标
自适应调度
按负载自动切换推理模式
北坡自适应调度实时感知 Batch Size，在三种推理模式间自动切换：负载升降时，模式随之切换，业务侧无感。
业务请求
北坡自适应调度
感知实时 Batch Size
-
大 Batch Size
高吞吐模式
技术SGLang
优化吞吐与单位成本
-
中 Batch Size
低延迟模式
技术SGLang + 投机采样
提高单请求生成速度
-
小 Batch Size
实时模式
技术NorthRT（北坡自研）
优先单请求响应延迟
负载升降，模式自动切换
策略示意
核心优势
为什么选择我们
-
01
生产规模验证
已支撑日均约千亿 Token 调用、千卡级集群调度，不是实验室数据。
-
02
全栈联合优化
模型、缓存、引擎、调度四层协同，而非单点调参。
-
03
质量与数据可控
以企业自己的评测集验收后再上线；支持私有部署与自有算力接入。
从一条业务链路开始
- 小流量灰度
- 建立基线
- 联合优化验收
注：数据来自北坡内部生产实践，统计口径各不相同；1,000+ tokens/s 为特定硬件与单请求配置下的生成速度；30%–500% 为优化目标。实际收益以联合实测为准，不构成收益承诺。
政企 · 解决方案
政企
政务业务智能化与园区企业服务
北坡面向政府部门与产业园区：以 North Agent Cloud 为全市政府单位建设统一的智能体底座，业务部门在底座上把智能体用进日常工作；再以小北把资深招商与产业服务人员的经验沉淀为组织能力。
- 政府单位
- 15 个
- 在同一平台上建设和使用智能体
- 运行中的智能体
- 250+ 个
- 覆盖企业服务、社会救助、水务、审核预审等业务
- 每周调用
- 7万+ 次
- 各政府单位通过业务系统日常调用
某市数据管理部门建设的全市统一智能体底座 · 数据截至 2026 年 10 月
底座
统一的底座：North Agent Cloud 与小北
下面三个落地场景，前两个建在 North Agent Cloud 上，第三个以小北为底座。
智能体开发与托管平台
North Agent Cloud
安全、成本与运行观测由平台统一管住；可在政务环境私有化部署，支持内网与信创环境。
- 安全沙箱
- 密钥与身份
- 资源调度
- 观测与审计
- 评测与发布
落地
从建好底座，到用进业务，再到沉淀经验
三个落地场景沿着企业画像与企业服务这条线递进：技术中台先建好全市统一的底座，某市中小企业服务部门在底座上做中小企业画像与精准服务，某新兴技术开发区同样围绕企业画像做企业服务，并把经验沉淀为组织能力。
- 01 建底座 某市数据管理部门 平台：全市统一的智能体底座
- 02 用起来 某市中小企业服务部门 部门：把智能体用进企业服务
- 03 沉淀经验 某新兴技术开发区 小北：个人经验变成组织能力
-
建底座
某市数据管理部门
为全市政府单位建设统一的智能体底座
政务智能应用建设项目「智能体驾驶舱」面向市级部门提供智能体开发、托管、使用与持续优化服务：以 North Agent Cloud 为全市政府单位提供智能体基础设施，各政府单位在同一平台上构建、发布智能体，并通过业务系统调用。
-
没法监控，也没法审计智能体分散在各部门、各台电脑上，调用了什么工具、访问了哪些地址无人知晓，出了问题追不到人统一纳管，全程审计每个任务在安全沙箱中独立运行、用后销毁；密钥统一加密保管，对外访问与操作过程全程留痕
-
各建各的，投入难以复用每个智能体单独配沙箱和服务器，模型、工具与运行环境重复适配，新场景仍需重新搭建统一建设，共享复用共享资源池按需调度、闲时缩容；新增场景复用已有的基础能力与运行环境
-
框架各不相同各政府单位和开发团队偏好的智能体框架各不相同框架自选，底座统一托管上层由业务方自选框架，安全、成本与可观测的标准由底座统一
基于该平台构建的智能体已在审计、商务、生态环境、水务等部门正式应用，用于日常业务辅助与工作协同，初步形成可复制、可推广的应用模式。
- 企业出海
- 社会救助
- 企业服务
- 水务
- 投资材料审核
- 公证书预审
- 排污许可审核
-
-
用起来
某市中小企业服务部门
在底座上做中小企业画像与精准服务
底座建好之后，业务部门把智能体接进自己的流程，交付业务人员可直接使用的应用。
工作人员准备企业调研时，输入地区、资质、营收等条件，系统解析后返回企业名单，并汇集目标企业的财务、创新、融资资料，生成带来源的画像与综合报告；工作人员核对后，用于安排走访、准备调研问题并匹配适用服务。
某市中小企业服务部门政务驾驶舱：企业画像、产业图谱、工业数据与工作空间。 -
沉淀经验
某新兴技术开发区 · 企业研究与企业服务
把资深招商与产业服务人员的经验，变成组织能力
与上一步一样围绕企业画像做企业服务，开发区则以小北作为统一智能体底座，把资深人员的方法沉淀进产品，让每位工作人员都能快速完成企业研究、访前准备、需求判断与资源匹配；走访、交流与跟进记录持续汇入组织的企业档案，管理者随时掌握服务进展。
-
经验在少数老法师手里企业判断、沟通方法与服务经验靠资深人员多年积累，新人上手慢，团队水平参差不齐「老法师」的经验变成团队的标准能力经验沉淀进产品，普通工作人员也能快速完成企业研究、访前准备、需求判断和资源匹配，拉高团队平均水准
-
服务过程看不见、管不了谁研究了、谁走访了、企业提了什么需求、后续如何跟进，缺少统一记录升级为 AI 时代的企业经营管理 CRM持续记录研究、走访、需求、跟进与结果；管理者能看到团队的工作效率、服务质量、企业覆盖和部门指标
-
信息散在个人微信和笔记里，人一走就断档走访、会议和日常交流中获得的企业信息没有沉淀到组织层面个人的「私域信息」变成组织的企业认知资产持续沉淀为可继承、可检索、可复用的企业档案与知识库，减少人员流动造成的信息断层
方案架构 四类业务共用一个企业画像库 企业资料、走访记录、企业诉求与研究知识汇集为企业画像库；小北作为统一智能体底座，承载各类业务智能体的运行与管理。 在哪里用日常协同
- IM 与机器人对话
- 妙记与日历
- 卡片推送
- 经营管理驾驶舱
四类业务业务能力
- 企业研究企业画像与企业、创始人研究报告，跟踪重点企业动态
- 企业经营走访前准备材料与沟通清单，走访后整理纪要与跟进
- 企业服务匹配适用政策与产业资源，供需对接与融资服务
- 管理经营管理看板与 ChatBI，掌握团队工作与企业覆盖
数据中枢企业画像库
- 企业档案
- 走访记录
- 企业诉求
- 研究知识库
- 统一搜索
统一智能体底座小北
- 工作空间
- 任务调度
- 技能库
- 模型管理
- 插件管理
一线怎么用
走访人员
企业走访：从拜访准备到服务跟进拜访赛道企业前，在飞书日历登记企业与时间，系统创建走访，结合企业资料与园区沟通框架，生成背调报告、问题清单及参考答案；会后关联妙记或确认录音转写，得到走访报告、企业诉求与跟进事项；赛道负责人可汇总走访原文，形成附有证据的分析报告，用于安排后续服务。
政策服务人员
政策服务：从企业画像到专属政策材料在平台选定企业，查看基于企业画像生成的匹配方案，核对适用条件与申报窗口，生成专属政策材料；企业通过链接或二维码查看，服务人员结合查看记录安排后续沟通与申报辅导；匹配依据与服务材料集中留存，便于同事接续。
四个应用场景
-
个性化沟通清单
资深招商人员的方法，成为整个团队的服务能力。
将资深招商专家 30 年积累的工作方法，与企业资料、历史交流和行业知识结合，约 1 分钟生成个性化沟通清单，帮助新人更快掌握专业沟通，资深人员问得更深。
- 专家方法
- 企业资料与历史交流
- 约 1 分钟生成
-
企业背景研究报告
深入了解企业，成为可以批量开展的日常工作。
将分散的企业信息整理为背景研究报告，快速版约 2 分钟、深度版约 4 分钟完成，统计期内已覆盖 162 家企业，团队可将更多精力投入招商判断、合作筛选与重点企业服务。
- 快速版约 2 分钟
- 深度版约 4 分钟
- 已覆盖 162 家企业
-
交流纪要整理
纪要整理时间缩短，更多精力投入企业服务。
从交流记录中提炼企业现状、关键诉求与跟进线索，业务人员完成校对后沉淀为企业信息，同等整理工时可处理约 4 倍纪要。
- 企业现状
- 关键诉求
- 跟进线索
-
专属政策物料
一次政策推介，延伸为持续的需求发现与服务跟进。
结合企业情况生成专属政策物料，业务人员带着更相关的政策开展沟通；物料分享后，可查看具体政策的浏览与停留情况，为判断企业关注方向提供线索。
- 专属物料
- 浏览与停留记录
- 需求发现
-
交付
部署与交付
- 在政务环境中私有化部署，支持内网与信创环境，沿用现有岗位权限与业务系统
- 按场景分步建设，新增场景复用公共底座的基础能力与运行环境
- 交付业务人员可直接使用的应用，以及技术中台使用的统一管理能力
解决方案
科技与互联网
为互联网企业训练更小、更省、更快的专属模型
北坡为互联网企业训练专属模型：结合企业自己的产品知识、业务 SOP 与业务数据做后训练，模型规模更小、推理成本更低，在业务评测上达到参考大模型的水平，并接入企业现有智能体使用。
- 更小的专属模型旅行规划以 38B 后训练模型达到 DeepSeek V4 Flash（284B）水平；客户经营只需 27B 专属模型。
- 更低的推理成本27B 客户经营专属模型在业务评测上达到 GPT-5.6 Sol 水平，按 API 推理成本计约为其 1/10。
- 接入现有智能体训练后的专属模型接入企业现有智能体，完成需求澄清、推进判断与工具执行。
挑战
通用大模型成本高，多轮业务处理还容易遗漏
体量大、推理成本高
通用大模型参数规模大，按 API 计的推理成本高；业务规模化使用时，成本与资源投入随之上升。
难以判断客户顾虑与推进时机
话术型客服智能体难以判断客户顾虑与推进时机，重复追问或过早催单，导致意向客户流失。
多轮变更容易漏核规则
通用模型接入知识库与工具后，多轮变更时容易漏核规则、漏做操作，出现报价与权益不符、业务处理未完成。
更小
38B 专属模型，达到 DeepSeek V4 Flash 水平
旅行规划经后训练，以 38B 专属模型在多轮行程规划与工具调用中达到 DeepSeek V4 Flash（284B）水平：低质量回复占比 11.83%，DeepSeek V4 Flash 为 12.16%。
模型参数规模
柱高只表示相对比例
低质量回复占比 · 越低越好
多轮行程规划与工具调用
更省
27B 专属模型，达到 GPT-5.6 Sol 水平推理成本约 1/10
由企业业务数据后训练的 27B 客户经营专属模型，在同一业务评测集上达到 GPT-5.6 Sol 水平；按 API 推理成本计，约为其 1/10。
业务评测 · 综合评分同一评测集，0–100 分
推理成本 · 按 API 计以 GPT-5.6 Sol 为基准
| 评测项 | 训练前 | 训练后 | GPT-5.6 Sol |
|---|---|---|---|
| 综合评分 | 83.4 | 87.8 | 86.4 |
| 对客回复 | 86.0 | 89.2 | 87.6 |
| 业务工具调用 | 79.5 | 85.6 | 84.7 |
推理成本按 API 推理成本计，约为 GPT-5.6 Sol 的 1/10；上图成本柱只表示相对比例。评测：对客回复 193 条、工具调用 191 条，三次评分均值。固定 Eval set 中三者均有三次有效评分，评分路由一致，评审模型为 GPT-5.6 Sol。综合评分 = 对客回复 × 60% + 工具调用 × 40%，按未四舍五入的分项均值计算；历史生成配置存在差异。来源：Eval set 三次重复评分缓存；训练后为 Final810。本图为同样本描述性对比，不代表已确认稳定领先。
案例
品牌客户运营团队老客复购：承接购买并安排后续跟进
客户表示“精华快用完，面霜还很多”。系统查询历史订单、核验优惠，确认精华规格与地址后建单；面霜仅在客户同意后设置提醒。最终形成精华订单与授权提醒记录，供顾问履约与后续服务使用。
旅行规划多轮行程规划与工具调用
在多轮行程规划与工具调用中，以 38B 后训练模型达到 DeepSeek V4 Flash（284B）水平：低质量回复占比 DeepSeek V4 Flash 为 12.16%，38B 后训练模型为 11.83%（越低越好）。
01
以企业业务数据训练专属模型
模型按企业自己的规则与流程处理客户需求。结合企业产品知识、业务 SOP、客户记录与订单系统训练专属模型，覆盖需求澄清、推进判断与工具执行三类能力，训练后接入企业现有智能体。
产品知识与 SOP客户记录与订单系统27B 专属模型
02
以业务评测验收效果
训练效果以业务评测结果衡量。在固定评测集上对比训练前后的模型与 GPT-5.6 Sol，分别评估对客回复与业务工具调用两项能力。
对客回复业务工具调用固定评测集
交付
部署与交付
- 按业务场景训练的专属模型（如 27B 客户经营专属模型）
- 接入企业现有智能体，连接产品知识、业务 SOP、客户记录与订单系统
- 以固定评测集验收训练效果
方案所用产品
解决方案
制造业
制造业行业专属模型
北坡面向制造业场景提供专属模型方案，通过行业模型后训练，将经过验证的现场知识与专家经验沉淀到企业自有模型权重中；模型部署于企业内网并持续迭代，数据、模型资产及其演进路径由企业自主掌握。
- 业务评测与训练环境建立业务评测标准，以空间本体与业务本体构建可训练的业务环境。
- 数据管线与后训练从真实业务中采集任务与操作记录，经质量筛选后训练模型，以标准化评测验证提升。
- 内网部署与持续迭代专用模型部署于企业内网，业务反馈用于下一轮训练与评测。
挑战
数据使用边界不透明，模型专业能力难以提升和验证
数据使用边界不透明
智能体运行数据发送至云端模型，数据留存与使用边界不透明，核心知识面临外泄或被用于训练的风险。
缺少训练管线与评测集
企业已有设备数据与专家经验，但缺少训练管线与业务评测集，难以提升模型的专业表现，也难以验证训练成效。
效果
9B 小模型，替代云端大模型
某工业自动化公司的楼宇场景现场评测：Qwen 9B 模型后训练后部署在企业内网，现场端到端准确率 88%，高于 GPT-5.6 Terra 的 82%；平均响应 4.3 秒，GPT-5.6 Terra 为 193 秒。下为后训练前后对比。
68%88%现场端到端准确率业务本体问答任务；GPT-5.6 Terra 为 82%
3%98%标准化流程任务准确率170 项测试任务中，完成数由 5 项提升至 166 项
8.44.3 秒平均任务响应时间单任务 Token 用量由 378 降至 194；GPT-5.6 Terra 为 193 秒
模型独立能力现场端到端表现
8
68
87
88
20
89
58
86
61
82
Qwen 9B
基座Qwen 9B
训后NEX
MiniNEX
ProGPT-5.6
Terra
基座Qwen 9B
训后NEX
MiniNEX
ProGPT-5.6
Terra
单位：%
平均任务响应时间
Qwen 9B 训后4.3秒
Qwen 9B 基座8.4秒
NEX Pro16秒
NEX Mini18秒
GPT-5.6 Terra193秒
数值越低，响应越快。
单任务 Token 使用量
Qwen 9B 训后194
Qwen 9B 基座378
NEX Pro644
NEX Mini571
GPT-5.6 Terra350
同一任务口径下的 Token 使用量。
基座模型专项模型
3
98
Qwen 9B
基座Qwen 9B
训后
基座Qwen 9B
训后
170 项测试任务：基座模型完成 5 项，后训练模型完成 166 项；百分比沿用原材料的取整口径。
案例
某工业自动化公司 · 楼宇自控
某工业自动化公司业务问答与 HVAC 自动驾驶
该公司团队将智能体、技能与现场经验用于模型能力建设。北坡围绕业务问答开展专项后训练，并围绕 HVAC 自动驾驶构建任务、数据管线与评测体系。训练后的 9B 模型在任务准确率与响应效率上均优于基础模型；相比闭源模型调用方案，本地部署的推理成本更低，便于企业持续迭代。
01
评测先行的行业后训练
训练是否有效，以业务评测结果衡量。先建立业务评测标准，再以空间本体与业务本体构建可训练的业务环境，搭建数据采集与质量筛选管线，通过后训练将验证后的行业能力沉淀到自有模型权重。
业务评测标准空间本体与业务本体数据采集与质量筛选
02
本地部署与持续迭代
数据、模型资产及其演进路径由企业自主掌握。交付专用模型、数据管线与评测工具，支持企业内网部署；按数据采集、质量判定、后训练与评测、反馈迭代的流程持续改进，评测标准的调整由企业业务负责人审核。
专用模型数据管线评测工具内网部署
- 1数据采集从真实业务中的能力缺口提炼训练任务和操作记录
- 2质量判定依据当前评测标准筛选并标注尚未通过验证的数据
- 3后训练与评测使用通过质量审核的数据训练模型，并通过标准化评测验证能力提升
- 4反馈迭代依据真实业务效果校准下一轮训练与评测标准，并由业务负责人审核评测标准的调整
交付
部署与交付
- 交付专用模型、数据管线与评测工具
- 支持企业内网部署
- 业务反馈进入后续训练与评测
方案所用产品
金融 · 解决方案
金融
科技部门搭一次，对公、零售、金融市场共用的 AI 底座
从算力、接入到智能体，一套全链条技术底座
各条线各建智能体、各接模型、各要算力，科技部门分头搭环境、管权限。这套底座自下而上统一建好，各条线基于机构内部数据，合规可控地上线自己的 AI 应用。
- 上层 智能体 North Agent Cloud（NAC）
- 中层 接入与治理 NorthGate
- 底层 算力与推理 NorthInfra
三层
全链条技术底座，自下而上
-
底层
业务条线
手机银行 Agent、对公尽调 Agent 和 AI Coding 的使用体验明显改善
科技部门
现有 GPU 用得更满
-
中层
接入与治理
Claude Code、Codex 等工具和自研应用统一接入国产 API 与 SGLang/vLLM 自部署服务；支持关键词拦截、正则分级脱敏与阻断，分级授权、配额审批和用量限制。
NorthGate业务条线
研发照常用熟悉的编码工具，调用的是行内模型
科技部门
谁在用、用了多少、有没有敏感数据外流，都在管控之内
-
上层
业务条线
原有智能体迁入，框架不用改；Skills 直接复用
科技部门
不再为各条线分别搭环境
案例
某头部城商行搭建全行 AI 技术底座
此前智能体缺少统一管理，AI 接入缺少管控，算力成为瓶颈。该行建成「一个入口、一个平台、一池算力」：全行 AI 调用经由 NorthGate，各条线智能体陆续迁入 NAC，NorthInfra 在行内 H20 和国产卡上做推理优化。
- GPU 利用率提升
- 35%
- 模型运行速度提升
- 60%
没有新增算力
关于北坡 · BEIPO
在中国，
以 AGI 提升生产力。
以自研大模型为核心，连接模型训练、智能体开发与生产部署，为组织训练和交付可靠、可持续进化的智权 AI。
上海奇绩智峰智能科技有限公司
立足中国，扎根真实产业
名字的来历
为什么叫
北坡
一个名字，承载着我们对技术路径的选择。
“北坡”源于珠穆朗玛峰的登顶历史。早期国际登山队主要从尼泊尔一侧的南坡攀登；1960 年，中国登山队首次从中国境内的北坡成功登顶。
以北坡为名，是希望在通往 AGI 的道路上，探索一条立足中国、扎根真实产业的技术路径。我们关注模型能否在真实任务中可靠运行，以及技术如何转化为组织的生产力。
把前沿探索，带到真实工作中。
发展历程
从自研模型，
走向企业的真实生产环境。
围绕可靠、可验证、真正可用的 AI，
持续开展技术研发与产业探索。
- 起步
北坡正式运营
立足上海，以自研大模型为核心，开始构建从模型训练到生产环境的全栈 AI 能力。
- 开放协作
联合发布 Nex 开源生态
由上海创智学院牵头，北坡与模思智能、跨赴科技等伙伴联合发布下一代能动性模型体系与开源生态 Nex。
逐步覆盖模型、数据、Agent 开发框架，以及训练与推理基础设施。
- 持续演进
联合发布 Nex-N2
将 Thinking 范式统一应用于搜索、编程与智能体工具调用。
通过目标分解、状态追踪、策略调整与自我校验，提升模型在复杂任务中的能动性与可靠性。
- 所见，即行动
联合发布 Nex-N2.5
推出 Mini、Pro、Max 系列，进一步扩展真实环境中的智能体能力。
Mini 与 Pro 强化视觉反馈、计算机使用与网页浏览；Max 开展万亿参数规模的完整后训练，探索更复杂的智能体任务。
我们关注什么
让技术成为
可持续使用的生产力。
从模型、智能体到基础设施，
最终回到真实业务中的任务与结果。
真实任务中的可靠性
以实际业务检验模型能力，关注复杂任务中的目标分解、状态追踪与自我校验，让 AI 能在生产环境中稳定工作。
连接研究与产品
将模型、数据、Agent 开发框架、训练与推理基础设施连起来，让前沿研究能够进入企业应用与生产部署。
在业务中持续改进
结合企业的知识、数据、流程、工具与规则，以业务反馈指导训练和评测，让使用中形成的能力持续积累。
走向智权 AI
让企业拥有
自己的智能。
将前沿通用智能与企业自身的知识、数据和工作方式结合，沉淀为企业真正拥有、能够持续进化的专属智能生产力。