重复推理砍掉九成:Nex-N2.6 专治 Agent 绕圈,工具越界率归零、OSWorld 拿到 83.0

重复推理砍掉九成:Nex-N2.6 专治 Agent 绕圈,工具越界率归零、OSWorld 拿到 83.0

5天前
duguying
4 阅读
来源:HuggingFace

Nex-N2.6 基于 GLM-5.3-Flash 专攻电脑操作与长程工具任务:推理重复率从 16.0% 压到 1.6%,工具清单遵守率 100%,OSWorld 83.0,约 321B 参数 FP8 权重 Apache-2.0 开源。

相关标签

#HuggingFace#人工智能#Agent#ComputerUse

重复推理砍掉九成:Nex-N2.6 专治 Agent 绕圈,工具越界率归零、OSWorld 拿到 83.0

让 Agent 干活的人大多见过这种场景:模型在推理链里反复咀嚼同一个念头,绕了十几圈才动手,或者干脆调用了一个根本不在工具清单里的接口。Nex-AGI 的新模型 Nex-N2.6 把这两件事当成了主攻方向:内部评测中推理重复率从上一代的 16.0% 压到 1.6%,相对降幅 90%;发出工具调用的回复里,100% 只使用请求中声明的工具,越界率归零。

它是做什么的:Nex-N2.6 是一个多模态 agentic 模型,基于 zai-org 的 GLM-5.3-Flash 构建,本次开源的是约 321B 参数的 FP8 量化权重(Apache-2.0)。输入是图文混合的对话加上工具定义,输出是推理内容与工具调用。设计场景有三类:computer use(让模型直接操作电脑)、编程,以及需要长时间串联多个工具的复杂任务。线上可在 OpenRouter 调用,也可用 SGLang 按 GLM-5.3-Flash 配方自托管。

成绩单:OSWorld(真实操作系统环境基准)83.0,高于上一代 Nex-N2.5-Pro 的 82.2、底座 GLM-5.3-Flash 的 78.0 和 DeepSeek-V4.1-Flash 的 71.7;Terminal-Bench 2.1 拿到 84.1。可靠性指标变化更明显:整体非重复率 97.8%;”有效工具选择率”在有工具可用的场景从 80.5% 提到 100.0%——模型不再自造工具名,也不再选错工具。

评测方法比数字更有意思。Nex 团队把内部及合作团队在真实任务里踩过的坑整理成 known-issue replay 回放集:固定前面的对话和工具输出,只测模型对下一步的响应——测的是”同样的坑会不会再踩一次”。官方同时声明这些分数依赖评测框架设置、是模型级结果而非 FP8 导出级的单独评测,边界写得清楚。

部署要点:权重走 FP8,自托管复用 SGLang 官方的 GLM-5.3-Flash 部署指南,替换模型路径并保留随包的 tokenizer、processor 和 chat template 即可;接口为 OpenAI 兼容格式,chat template 支持 reasoning_effort 三档(low/high/max,默认 max),图像输入走标准 image content block,工具由客户端或 Agent 框架执行后回传结果。

Agent 模型的评测重心正在从”跑分”转向”可靠性”。重复率和越界率这类指标直指生产环境里最烦人的两类故障,把真实故障做成回放集、连短板一起公开,比多刷一个榜单更有参考价值——这可能是 Nex-N2.6 这份模型卡最值得抄的地方。

模型地址:https://huggingface.co/nex-agi/Nex-N2.6

返回列表

更多资讯

想看更多优质内容?

浏览所有资讯