文章摘要
上海创智学院开源推出能动性模型Nex-N2.6，该模型推理重复输出率较上一代降低90%，跨框架工具调用精准匹配率达100%，OSWorld评测获83分跻身行业第一梯队，Token消耗更低、长程任务稳定性更强，支持本地部署，适配实际工程场景需求。

上海创智学院开源推出了Nex-N2.6能动性模型，这款模型在多个核心性能指标上实现了关键突破：推理过程中的重复输出率降低90%，跨框架工具调用的精准匹配率达到100%，在OSWorld电脑操作评测中取得83分，跻身行业第一梯队，同时实现了更节省Token、长程任务稳定性更强的Agent能力升级。

Nex系列模型的研发始终聚焦实际工程场景的需求：2025年11月发布的Nex-N1基于开源底座进行后训练，强化了代码开发与工具调用能力，同时开源了配套的基础设施；2026年6月推出的Nex-N2引入了按需推理范式，在SWE-bench Verified评测中取得80.8分；同年9月发布的Nex-N2.5将交互能力从文本拓展到屏幕理解与真实电脑界面操作，支持FreeCAD、Blender等自动化工作流；此次发布的Nex-N2.6则进一步解决了工业级长任务执行中的稳定性痛点，实现了推理重复率大幅下降。

更低Token消耗，更稳定的长程交付

为客观评估模型的升级效果，研发团队整理了698条内部及合作伙伴使用过程中产生的异常案例，构建了专属的“重复问题基准集”。测试采用长轨迹故障断点重放机制：完全冻结上一代模型报错或卡死前的历史上下文与工具返回结果，让Nex-N2.6从同一个故障断点接续生成响应，这种严格控制单一变量的方法排除了路径选择的随机性，是验证Agent故障修复效果的权威标尺。

对比N2.5-Pro，Nex-N2.6的推理重复触发率从16.0%降至1.6%，降幅达90%，整体调用未出现循环的比例提升至97.8%。升级后的模型执行长任务时不再陷入无效循环，既避免了Token资源的浪费，也大幅提升了端到端任务的完成成功率。

跨框架工具调用：100%精准匹配，表现与参考模型相当

在实际开发中，团队或个人常需要在不同框架间切换，而不同框架中工具的命名可能存在细微差异（例如read_file与open_file），容易导致模型调用出错。研发团队保留了956条真实上下文进行测试，结果显示，无论使用何种框架，Nex-N2.6在实际工具调用中的精准匹配率达到100%，与参考模型表现相当。这表明模型摆脱了对特定训练环境的过拟合，能在不同框架间无缝切换，实现即插即用。

更强的电脑操作能力，多评测指标提升

Nex-N2.6展现出顶级的全栈电脑操控能力：在桌面图形界面评测OSWorld中得分83.0分，较底座提升5.0分，超过了其他同类模型；在纯命令行评测Terminal-Bench 2.1中取得84.1分，无损保留了自动化运维的能力。实测显示，新版本的后训练配方在解决长任务“思考打转”与“跨框架过拟合”两大痛点的同时，并未牺牲通用性能，反而实现了电脑操控能力的定向突破。

本地部署与推理方法

Nex-N2.6可通过支持GLM-5.3-Flash的SGLang部署，根据硬件选择FP8兼容配置。

模型权重下载

modelscope download --model nex-agi/Nex-N2.6 --local_dir nex-agi/Nex-N2.6

安装推理环境

拉取官方镜像：

docker pull lmsysorg/sglang:latest

启动SGLang服务

将本地模型目录只读挂载到容器，并将服务模型名设为Nex-N2.6：

export MODEL_DIR="nex-agi/Nex-N2.6"

docker run --gpus all --shm-size 32g \

-p 127.0.0.1:8000:8000 \

--mount "type=bind,src=$MODEL_DIR,dst=/model,readonly" \

--entrypoint python3 lmsysorg/sglang:latest \

-m sglang.launch_server \

--model-path /model \

--tokenizer-path /model \

--served-model-name Nex-N2.6 \

--tp-size 8 \

--ep-size 8 \

--dsa-prefill-backend tilelang \

--dsa-decode-backend tilelang \

--kv-cache-dtype bfloat16 \

--moe-runner-backend deep_gemm \

--reasoning-parser glm45 \

--tool-call-parser glm47 \

--host 0.0.0.0 \

--port 8000

文本推理

服务就绪后，通过Chat Completions接口调用，示例如下：

curl -N http://127.0.0.1:8000/v1/chat/completions \

-H 'Content-Type: application/json' \

-d '{

"model": "Nex-N2.6",

"messages": [

{"role": "user", "content": "Write a Python function that checks whether a string is a palindrome."}

],

"reasoning_effort": "max",

"max_tokens": 8192,

"stream": true

}'

写在最后

Nex系列模型的研发路径清晰：从代码开发、工具调用到电脑操作，再到长任务稳定执行，逐步深入实际工程场景，团队也将继续围绕这些需求推进开源能动性模型的研发，为行业提供更实用的AI工具。

以上内容不代表本平台立场，仅供读者参考