Nex-N2.6: מודל פתוח בגודל 321 מיליארד פרמטרים שנועד להיתקע פחות

חברת Nex-AGI פרסמה את Nex-N2.6, מודל שפה פתוח לשימוש סוכני שמבוסס על GLM-5.3-Flash. במשקולות שהועלו ל-Hugging Face יש כ-321 מיליארד פרמטרים, והן מגיעות בגרסת FP8, כלומר בדחיסה שמקטינה את דרישות הזיכרון. השיפור המרכזי שהחברה מציגה הוא לא עוד נקודה בטבלת דירוג אלא משהו בסיסי יותר: לפי החברה, המודל נתקע פחות. הוא נכנס פחות ללולאות חשיבה שחוזרות על עצמן, ומנסה פחות להפעיל כלים שלא קיימים בסביבה שבה הוא עובד.

הבעיה: סוכן שמסתובב במעגלים

Nex-N2.6 מיועד לשליטה במחשב (computer use), לכתיבת קוד ולמשימות ארוכות שמשלבות כלים. בתחום הזה יש שתי תקלות מוכרות. בראשונה, המודל "חושב" ונתקע על אותו רעיון שוב ושוב, ומבזבז זמן וטוקנים בלי להתקדם. בשנייה, המודל מנסה לקרוא לכלי, למשל פונקציה או API, שלא הוגדר לו בכלל, והמשימה נשברת.

לפי כרטיס המודל, שיעור החזרתיות בחשיבה ירד מ-16.0% ב-Nex-N2.5-Pro ל-1.6% בגרסה החדשה, ירידה יחסית של 90%. מודל הבסיס, GLM-5.3-Flash, הגיע באותו מבחן ל-6.0%. בנוסף, לפי החברה, כשהמודל קרא לכלים הוא בחר ב-100% מהמקרים רק מתוך רשימת הכלים שהוגדרה בבקשה. ב-N2.5-Pro השיעור היה 80.5%, ובמודל הבסיס 84.1%.

חשוב לסייג: מדובר בהערכות פנימיות. לפי Nex-AGI, הן בנויות מתקלות שהצוות שלה וצוותים של שותפים נתקלו בהן במשימות אמיתיות. השיטה, שהחברה מכנה known-issue replay, מקבעת את השיחה ואת פלטי הכלים עד לנקודת הכשל, ובודקת רק את התגובה הבאה של המודל. כלומר, המבחן בודק אם המודל עובר נקודות כשל ידועות, ולא בהכרח איך הוא מתנהג לאורך סשן עבודה שלם. גורם חיצוני עוד לא אימת את המספרים.

ומה במבחנים המקובלים?

בבנצ'מרקים הציבוריים התמונה מעורבת. ב-OSWorld, שבודק שליטה במחשב, קיבל Nex-N2.6 ציון 83.0, לעומת 82.2 ל-N2.5-Pro ו-78.0 למודל הבסיס. ב-Terminal-Bench 2.1 הוא קיבל 84.1, מעט מתחת ל-84.3 של GLM-5.3-Flash. ב-AutomationBench קיבל 45.7, פחות ממודל הבסיס (48.8) ומ-DeepSeek-V4.1-Flash (54.8). החברה עצמה מציינת שהציונים תלויים בסביבת ההערכה ובהגדרות, ושהם מתייחסים למודל באופן כללי ולא נבדקו בנפרד על גרסת ה-FP8.

מה צריך לדעת לפני שמנסים

את המודל אפשר להריץ באופן עצמאי בעזרת SGLang, וגישה אליו זמינה גם דרך OpenRouter. פרט אחד שכדאי לשים אליו לב: תבנית השיחה המצורפת תומכת בשלוש רמות חשיבה (low, high, max), וברירת המחדל היא max. מי שמשווה בין מודלים בצריכת טוקנים או בזמני תגובה צריך לקחת את זה בחשבון.

למה זה חשוב

ההכרזה הזו משקפת ככל הנראה שינוי בשאלה מה נחשב התקדמות במודלים סוכניים. כשמודל מבצע עשרות צעדים ברצף, לולאה אחת או קריאה אחת לכלי שלא קיים יכולות להפיל את כל המשימה, גם אם הציון שלו בבנצ'מרק גבוה. התמקדות באמינות כזו היא כנראה מה שמפתחים שבונים סוכנים צריכים בפועל. עם זאת, כל עוד הנתונים הבולטים מגיעים ממבחנים פנימיים, ההערכה האמיתית תגיע רק כשמשתמשים יריצו את המודל על משימות ארוכות משלהם.