ModelBrief · Nex-N2.6 · 专题
最后更新 2026-11-20
EN 简体 繁體

Nex-N2.6 vs GLM-5.3-Flash 与 DeepSeek-V4.1-Flash:后训练改变了什么

ModelBrief · 2026-11-16 发布 · 事实核查 2026-11-16 · 参考来源:Hugging Face 模型卡

Nex-N2.6 是 GLM-5.3-Flash 的后训练衍生品,模型卡自己的对比表就是最好的评价材料:同一张表里,后训练提升了什么、没提升什么,一目了然。DeepSeek-V4.1-Flash 是表里的第四个模型,也是 AutomationBench 上最强的一个。本文用模型卡自己的数字说话,再把上下文与参数的两个口径问题讲清楚。

提升了什么:OSWorld 与可靠性

对底座 GLM-5.3-Flash:OSWorld 78.0→83.0(+5.0),是后训练最大的基准提升;推理重复率 6.0%→1.6%;整体不重复率 96.2%→97.8%;有效工具选择率(整体)85.3%→100.0%,(有工具时)84.1%→100.0%。计算机使用与可靠性是后训练明确的提升项——N2.6 的定位(计算机使用智能体)与提升项是一致的。

没提升什么:TB 2.1 与 AutomationBench

对底座:Terminal-Bench 2.1 84.3→84.1(−0.2),AutomationBench 48.8→45.7(−3.1)——两项都低于底座。后训练没有提升全部能力,终端任务与业务流程反而退步。对 DeepSeek-V4.1-Flash:AutomationBench 54.8 全表最高,比 N2.6 高 9.1 分;TB 2.1 82.7,比 N2.6 低 1.4 分;OSWorld 71.7,比 N2.6 低 11.3 分。业务流程任务上,DeepSeek 是表里最强的;计算机使用任务上,N2.6 是表里最强的。选型结论很直接:按任务类型选,不要按品牌选。

上下文口径:1M 对 262K

N2.6 的上下文有两个数字:OpenRouter 端点 262,144 tokens,发布配置 1,048,576 tokens。两者都是官方口径,但指向不同场景:API 上实际能用的是 262K,1M 只存在于发布配置里,自托管按配置可达 1M(未独立验证)。ai345(中文,11 月 11 日)最早指出了这个口径差。做选型时按 262K 算——除非你打算自托管并且自己验证 1M 可用。

参数口径:1B 差值不是新架构

N2.6 是 321.3B 总参数,底座 GLM-5.3-Flash 是 320B——多出的 1B 是取整/适配器 artifact,不是新架构。45 层、4096 维骨干(3 层稠密 FFN + 42 层稀疏 MoE)与底座一致,激活参数约 18B 与底座相同。任何把「321B」读成「比底座多了 10 亿参数的新模型」的说法,都是错的。

FAQ

后训练到底提升了什么?

OSWorld(78.0→83.0)与可靠性(重复率 6.0%→1.6%,工具遵循率 85.3%→100%)。没提升的是 TB 2.1(84.3→84.1)与 AutomationBench(48.8→45.7),两项都低于底座。

业务流程任务选哪个?

按模型卡的表选 DeepSeek-V4.1-Flash:AutomationBench 54.8 全表最高,比 N2.6 高 9.1 分。计算机使用任务选 N2.6(OSWorld 83.0 全表最高)。终端任务三者接近,底座 84.3 反而是最高的。

上下文到底是 262K 还是 1M?

两个数字都是官方口径:OpenRouter 端点 262,144 tokens,发布配置 1,048,576 tokens。API 上实际能用的是 262K;1M 只在发布配置里,自托管按配置可达(未独立验证)。选型按 262K 算。

ModelBrief 的看法:模型卡自己的表是最好的评价:后训练是一次有取舍的专项优化,不是全面升级。它把计算机使用与可靠性做到了表内第一,代价是终端与业务流程退步。DeepSeek 的 AutomationBench 54.8 提醒我们:没有全能的智能体,只有按任务选型的智能体。

参考来源:Hugging Face — nex-agi/Nex-N2.6 模型卡(三基准表与可靠性表) · OpenRouter — nex-agi/nex-n2.6 模型页(上下文口径)(本文为本站改写与整理,事实以模型卡与 OpenRouter 为准)