Nex AGI: Nex-N2-Pro
Nex AGI: Nex-N2-Pro est un LLM à poids ouverts publié le 8 juin 2026. Cette variante de Nex-N2 est post-entraînée sur la série Qwen3.5 et repose sur Qwen3.5-397B-A17B. Elle mobilise 17 milliards de paramètres actifs et accepte un contexte de 262 144 tokens.
Nex AGI: Nex-N2-Pro est un LLM à poids ouverts publié le 8 juin 2026. Cette variante de Nex-N2 est post-entraînée sur la série Qwen3.5 et repose sur Qwen3.5-397B-A17B. Elle mobilise 17 milliards de paramètres actifs et accepte un contexte de 262 144 tokens.
Son cadre « Agentic Thinking » enchaîne compréhension des exigences, planification, génération de code, retour d’environnement, évaluation, débogage et itération. Le modèle prend en charge le function calling, les outils et l’exécution en terminal. Son tarif très économique se situe 88% sous la moyenne des LLM similaires.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Nex AGI |
| Poids | 🟢 Poids ouverts |
| Date de sortie | 8 juin 2026 |
| Multimodal | oui |
| Paramètres actifs | 17 milliards |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text,image → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 41.0 | 20ᵉ / 137 |
| Code Index | 59.1 | 19ᵉ / 74 |
| Agentic Index | 31.0 | 15ᵉ / 68 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 11ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 96,0 % | 32ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 93,0 % | 42ᵉ / 162 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 93,0 % | 44ᵉ / 140 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 75,0 % | 42ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 68,0 % | 119ᵉ / 146 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Intelligence Index
Code Index
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Nex AGI | 0,25 $ | 1 $ | 0,025 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 88 % en dessous de la moyenne des LLM similaires, et 22 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,1 $ |
| Latence moyenne par benchmark — Benchable | 13 min 08 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Nex-N2-Pro se situe dans la partie haute des classements généraux, avec un Intelligence Index dans le premier cinquième. Ses résultats en code et dans les tâches agentiques le placent aussi dans le premier tiers et le premier quart de leurs classements respectifs. Cette orientation correspond à ses fonctions concrètes : production de code, appels d’outils, exécution en terminal et émission de traces de raisonnement explicites. La fenêtre de contexte de 262 144 tokens soutient le traitement de longues séquences. Le coût constitue un autre atout majeur : le modèle est environ 22 fois moins cher que les modèles frontière.
Limites et points d'attention. Les scores Benchable sont élevés, mais ces benchmarks plafonnés départagent mal les modèles. En General Knowledge, Nex-N2-Pro partage la première place avec 41 autres modèles. En Ethics, il la partage avec 71 autres. Les scores de 93% en Coding et Mathematics correspondent seulement aux 42e et 44e places partagées de leurs classements. Le déploiement local passe par un fork personnalisé de sglang, avec les parseurs qwen3 pour le raisonnement et qwen3_coder pour les outils. Nex-N2-Pro cible surtout le développement d’agents de code, la deep research et les workflows associant function calling et terminal.
Sources des données : OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · LLM-Stats (llm-stats.com) · Benchable.ai (benchable.ai).