Nex-N1：下一代能动性模型体系与开源生态
Nex 是下一代全栈能动性平台，将基座模型、合成数据管线、强化学习训练、智能体框架和部署工具纳入统一生态。 DeepSeek-V3.1-Nex-N1 是 Nex-N1 系列的旗舰模型，经过后训练，重点增强智能体自主性、工具使用与真实生产力。 我们希望为研究者和创业者提供高性能、可靠、成本可控的开箱即用智能体体系，让 AI 智能体更易于构建和部署。
核心特点
-
完整模型矩阵： Nex 系列覆盖 8B 到 671B 参数规模，适用于端侧部署至前沿大规模部署。
-
面向智能体的性能： 在编程、工具使用、网页搜索及其他多步推理任务中展现领先表现。
-
面向实际生产： 支持小程序开发、网站编写、演示文稿制作和沉浸式角色扮演，直接服务于生产力任务。
-
端到端可控： 开发者可基于 Nex 构建从数据到部署的完整流程，在掌握自主权的同时保持成本可预期。
-
开放生态： 合成数据管线、精选数据集、Nex-N1 模型权重、NexAU 智能体框架、EaaS MoE 推理系统和 NexRL 训练服务均开放使用。
性能评测
Nex-N1 在六项具有代表性的通用及专业智能体基准上进行了评估。在工具使用、网页搜索和编程等评测中，模型持续位于前列，展现出对真实智能体工作流的适应能力。
- 数据默认取自模型官方技术报告、博客或基准官方结果；其余指标严格遵循官方标准评测框架进行测试。
- Tau2-bench 结果采用加权平均。
- SWE-verified-bench 使用基于 OpenHands 构建的内部框架测试，上下文长度为 128k，最大执行步数为 150，结果取四次运行的平均值。
- Terminal-Bench2 使用官方 Terminus2 智能体评测。
Nex-N1 提供 8B 到 671B 的不同规模模型，以适应不同使用场景。
| 模型 | GAIA2 | τ2-Bench | SWE-bench Verified | Terminal-Bench2 | BaxBench | BFCL v4 |
|---|---|---|---|---|---|---|
| DeepSeek-V3.1-Nex-N1 | 29.5 | 80.2 | 70.6 | 31.8 | 59.7 | 65.3 |
| Qwen3-32B-Nex-N1 | 16.7 | 72.1 | 50.5 | 16.7 | 34.8 | 60.5 |
| Qwen3-30B-A3B-Nex-N1 | 11.3 | 65.3 | 29.7 | 8.3 | 13.6 | 51.9 |
| internlm3-8B-Nex-N1 | 8.6 | 63.0 | 20.3 | - | - | 44.5 |
Nex-N1 在各类评测中具有竞争力，在实际编程和 HTML 生成任务中表现尤其突出。
更多信息见 https://huggingface.co/datasets/nex-agi/coding-eval 与 https://huggingface.co/datasets/nex-agi/html-eval。
Nex 与前沿模型对比
Nex 全链路开源生态
除核心模型外，同步开源智能体开发框架 NexAU、训练数据及生产管线、强化学习框架 NexRL、MoE 推理框架 EaaS 的核心通信组件 NexVenusCL。
NexAU 智能体框架
支持动态工具注入、Skills、Subagents、Hooks、MCP、状态管理、交错思考、记忆压缩召回和完整可观测性，覆盖元智能体、深度调研、网页编写及学术海报生成等场景。
Nex 开源数据及生产管线
依托 NexAU 与 Agent4Agent，覆盖智能体框架生成、问题合成、轨迹生成和处理。开源 7 万条能动性数据，涵盖全栈开发、代码转写、小游戏、可视化和小程序。
NexRL 与 EaaS
将训练、推理、工具交互和奖励计算等组件服务化。NexRL 解耦 rollout 与 training；NexVenusCL 基于 IBGDA 构建 GPU 点对点通信，支持通信与计算并行。
NexAU · NexGAP · NexRL · NexVenusCL
真实任务样例
3D游戏
模型生成的三维游戏场景，保留原始页面的场景呈现与交互。
打开交互演示：3D游戏
论文海报转换
将论文整理为包含研究背景、方法和结果的学术海报。
打开交互演示：论文海报转换
幻灯片制作
围绕游戏产业主题组织信息，生成可逐页浏览的 HTML 幻灯片。
打开交互演示：幻灯片制作
网页制作
生成完整网页，包含首页、内容版块与页面交互。
打开交互演示：网页制作
深度研究
围绕 NVIDIA 展开深度研究，组织资料、图表、业务分析与引用来源。
打开交互演示：深度研究
小程序生成
原发布页展示的三段小程序生成与操作录屏。
深度调研能力对比
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（Deep Research Agent），可自主制定调研计划、网络查询、融合多源数据，支持多模态、多形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。
使用方法
本地部署
建议使用 sglang 在本地部署 Nex 系列模型：
python -m sglang.launch_server --model-path /path/to/your/model
函数调用
Nex 系列模型支持函数调用。为充分发挥模型的函数调用能力，我们修改了 qwen3_coder 工具解析器，详见 https://github.com/sgl-project/sglang/pull/13411。启动服务时加入 --tool-call-parser qwen3_coder 参数即可启用：
python -m sglang.launch_server --model-path /path/to/your/model --tool-call-parser qwen3_coder
小程序开发
Nex-N1 针对小程序开发进行了优化。为获得最佳效果，建议使用同时配置了 context7 和搜索 MCP 的 Claude Code。
claude mcp add --transport http context7 https://mcp.context7.com/mcp --header "CONTEXT7_API_KEY: [CONTEXT7_API_KEY]"
claude mcp add --transport stdio serper-search --env SERPER_API_KEY=[SERPER_API_KEY] -- npx -y serper-search-scrape-mcp-server
context7 的配置方法见 https://github.com/upstash/context7。