[논문리뷰] Nex-N1: Agentic Models Trained via a Unified Ecosystem for Large-Scale Environment Construction

링크: 논문 PDF로 바로 열기

저자: Tao Gui, Yining Zheng, Xinchi Chen, Jie Zhou, et al. (Nex-AGI Team)

핵심 연구 목표

본 논문은 LLM이 수동적 응답자에서 자율 에이전트로 발전 하는 데 필요한 확장 가능한 고품질 상호작용 신호 인프라의 부족 문제를 해결하고자 합니다. 특히, 기존 학습 패러다임이 가진 정적 모방의 한계를 극복하고 동적이고 복잡한 상호작용 환경을 체계적으로 확장 하여 효율적인 정책 학습을 가능하게 하는 종합적인 방법을 제시하는 것을 목표로 합니다.

핵심 방법론

연구진은 세 가지 핵심 구성 요소로 이루어진 통합 시스템을 제안합니다. 첫째, NexAU (Agent Universe) 는 복잡한 에이전트 계층 구조를 지원하는 유연한 런타임 프레임워크로, 에이전트 정의와 실행을 분리하여 확장성을 확보합니다. 둘째, NexA4A (Agent for Agent) 는 자연어 사양으로부터 다양한 에이전트 아키텍처와 워크플로우를 자동으로 생성하여 환경의 다양성을 극대화합니다. 셋째, NexGAP (General Agent-data Pipeline) 은 실제 MCP(Model Context Protocol) 도구 와 정보 융합을 통합하여 시뮬레이션-현실 간극을 메우고, 대규모의 실제 기반 궤적(trajectory) 생성을 가능하게 합니다.

주요 결과

Nex-N1 모델 은 제안된 인프라를 통해 훈련되었으며, SWE-bench 및 τ² 와 같은 벤치마크에서 뛰어난 성능을 보였습니다. 특히, τ²-bench 에서 88.1% 를 달성하여 GPT-5 (84.2%) 를 능가했으며, SWE-bench Verified 에서는 77.2% 로 Claude-Sonnet-4.5 와 동등하고 GPT-5 (74.9%) 를 상회하는 경쟁력을 입증했습니다. 또한, 에이전트 코딩에 대한 인간 평가에서 Claude-Sonnet-4.5 대비 64.5% , MiniMax-M2 대비 92.9% 의 시나리오에서 승리하거나 동등한 성능을 보였습니다.

AI 실무자를 위한 시사점

이 연구는 AI 실무자들에게 LLM 기반 에이전트 개발을 위한 확장 가능하고 견고한 인프라 를 제공합니다. NexAU, NexA4A, NexGAP 프레임워크는 에이전트 환경 구축의 수동적 노력을 줄이고, 다양하고 현실적인 상호작용 데이터 를 대규모로 생성할 수 있는 방법을 제시합니다. 이는 에이전트의 일반화 능력과 실세계 문제 해결 능력을 향상시키는 데 필수적이며, 공개된 Nex 생태계와 모델 가중치 는 후속 연구 및 응용 개발에 중요한 기반이 될 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.