开源模型与闭源模型之间的差距，过去一年主要集中在两处：一是复杂推理，二是「会用电脑」。前者靠参数与训练数据追赶，后者则更难——它要求模型能看懂界面、控制鼠标键盘、在软件之间连续操作，并在出错后自己发现并纠正。9 月 8 日，Nex-AGI 开源了 Nex-N2.5 家族，正面切入的正是后一处。
三档模型，三条不同的路
据公开信息，Nex-AGI 是由上海创智学院发起的创新联盟，目标是建设可持续的能力闭环开源生态。此次开源的 Nex-N2.5 包含三个版本，各自定位不同。Mini 为 35B 参数、每 Token 激活约 3B 的混合专家多模态模型，以 Apache-2.0 协议完全开源，上下文长度 262K，主打高速指令遵循与实时工具执行，量化后可在消费级显卡上本地部署。Pro 为 397B 参数、每 Token 激活约 17B 的多模态混合专家模型，面向复杂推理、多智能体编排与高级软件工程。Max 走了一条不同的路线：它基于 DeepSeek-V4-Pro-Base，采用 1.6 万亿总参数、每 Token 激活 49B 的纯文本混合专家架构，官方称这是其在万亿参数规模上完成的完整后训练。
把多模态与纯文本分开，是一个值得注意的产品判断。视觉理解与环境交互所需的算力结构，与长链路文本推理并不相同；用同一套模型同时兼顾，往往两边都做不到最好。分档设计让「看得懂屏幕」和「想得清逻辑」各由更合适的模型承担，也让部署成本可以按任务类型来匹配。
基准成绩：与头部闭源互有高低
据公开信息，在文本类基准上，Max 取得 Terminal-Bench 2.1 的 86.1 分、SWE-Bench Pro 的 65.7 分、DeepSWE v1.1 的 65.6 分；Pro 对应为 82.7、61.2 与 55.8；Mini 为 73.4、43.8 与 36.1。在网页浏览基准 BrowseComp 上，Max 达到 92.6 分。多模态侧，Pro 在 OSWorld-G 上取得 87.4 分，在 OSWorld-Verified 上为 82.2 分，WebArena-Verified 为 67.6 分，OmniDoc 为 92.2 分；Mini 在 OSWorld-Verified 上为 71.2 分，WebArena-Verified 为 63.4 分，BrowseComp 为 83.4 分，Toolathlon Verified 为 54.6 分。
横向比较更能说明位置：在 SWE-Bench Pro 这类复杂软件工程任务上，头部闭源模型仍然领先；而在 BrowseComp 这类浏览与检索任务上，Max 的成绩超过了部分头部闭源模型。这种「互有高低」的格局，是当前开源与闭源竞争的真实写照——开源模型已经能在特定维度上追平甚至领先，但尚未在全部维度上完成超越。
它演示了哪些任务
据公开说明，官方展示的能力案例覆盖了相当宽的谱系。工程侧，Max 从一份存在缺陷的流式加速器 RTL 出发，修复了逐周期握手、忙碌状态、末字节处理与完成信号，并调用开源工具链完成功能验证、综合与布局布线，最终通过隐藏功能回归与完整物理实现。设计侧，它通过脚本调用三维 CAD 软件的接口，从零件建模、关节定位到整体装配构建了一个机械臂模型。科研侧，围绕某材料的磁控极化问题，它模拟不同磁矩方向下的电极化变化，用路径角度与极化曲线呈现磁态与极化的耦合关系。
交互侧的任务同样具体：Pro 在只有游戏画面与正常按键的条件下，自主阅读对话、寻找路线、推进剧情，并在失败后调整策略；它在办公套件中核对一份报告的结构与关键数据，整理研究笔记并保存为可编辑文档，正文与附录区分来源，使结论能够回到原报告查证；它还先在设计软件中绘制概念图，再将其转化为三维软件中的数十个独立网格分件，补齐厚度与结构，配置材质并完成渲染。此外，官方演示了一个名为 Vision2Context 的能力：模型根据用户授权范围，从示范视频或屏幕观察中提取信息，生成可复用的个性化技能，供其他计算机操作类智能体使用。
推理侧：为单请求场景做的引擎
据公开说明，配合 Pro 版本，团队提供了面向单请求场景的推理引擎，支持在 8 张 H100 或 H200 上运行普通解码与两类加速解码模式；通过定制内核、完整解码图与 GPU 直接通信，优化从嵌入、注意力、混合专家到采样的整条解码路径，并使用外部框架完成预填充，在预填充与解码引擎之间共享路由专家权重，以上下文并行注意力减少长上下文中的重复读取。官方还提供了预置定制推理框架的容器镜像，并给出三档模型的启动命令。思考行为上，模型支持三档模式：不思考直接回答、自适应思考，以及始终思考。
这套工程配套的分量不亚于模型本身。开源模型能否被用起来，很大程度上取决于部署链路是否顺畅——模型权重放出来、但推理引擎要自己从头搭，实际使用门槛会大幅上升。提供可直接运行的容器镜像与启动参数，是在把「能跑起来」这件事一起交付。
放进「开源 Agent 基座」这条线看
据公开信息，近期开源社区在智能体方向上的动作相当密集：有厂商开源了可在单张显卡上跑通的本地智能体模型；有团队推出面向端侧的轻量模型，把本地 Agent 能力压到更小的参数规模；也有厂商开源了专门为智能体场景训练的模型，覆盖工具调用、任务规划与代码生成。这些工作的共同取向，是把「智能体能力」从少数闭源厂商的专属，变成可下载、可微调、可商用的公共资源。
Nex-N2.5 的增量在于两点：一是把「会操作电脑」作为核心能力而非附带功能，并以多模态视觉反馈驱动自我纠正；二是给出了从 35B 到 1.6 万亿的完整档位，让同一个家族可以覆盖端侧部署到大规模推理的不同场景。对开发者而言，这意味着可以在同一套能力体系内，按预算与任务复杂度选择档位。
中立思辨
需要辩证看待这次开源。其一，上述基准成绩均由官方发布，测试条件、提示词模板与评测脚本需要对照模型卡与开源代码判断，跨厂商比较时更要注意口径差异，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。其二，三档模型的权重发布节奏并不同步，可直接下载使用的以 Mini 为主，Pro 与 Max 的实际表现与易用性仍有待社区验证。其三，多模态计算机操作在演示环境中的表现，与真实桌面环境的复杂度之间仍有距离；界面千差万别，实际落地往往需要针对具体场景做额外微调。其四，百万级上下文更适合长文档推理，并不等同于长程决策能力；复杂多步任务的上限，更多取决于决策链路的长度与稳定性，而非上下文窗口的大小。其五，为 1.6 万亿参数模型提供的部署示例需要多节点高端 GPU 环境，这类配置对多数团队而言并不现实，Max 的可用性受限于算力条件。其六，围绕开源模型的能力评估，社区量化版本与官方版本之间可能存在表现差异，使用前需要以自身任务做验证。其七，配套的工具链、部署框架与最佳实践仍处于早期，生态成熟需要时间。
趋势研判
短期，开源智能体基座会在「会操作电脑」这一维度上继续追赶，端侧可部署的小参数版本会成为落地主力；中期，多模态交互与长链路文本推理的分工可能进一步明确，形成「视觉执行模型 + 推理规划模型」的组合式方案；长期，开源与闭源的竞争焦点会从基准分数转向工程可用性——谁的部署链路更顺、谁的微调与集成成本更低、谁在真实任务里的失败更可恢复，谁就能获得开发者的持续使用。当顶级智能体能力不再被少数厂商独占，真正的差异化就会落到场景理解与工程细节上。
对做智能体应用的团队的务实建议是：在选型时不要只比榜单分数，而要先明确自己的任务属于「视觉交互为主」还是「长链路推理为主」，再据此选择档位；同时把「部署可行性」纳入评估——一个需要多节点高端集群才能跑起来的模型，即便分数更高，也未必适合当前阶段。先让系统在可控成本下跑通闭环，再谈能力上限。