Agentic Thinking 拆解Adaptive/Coherent Thinking 到底改了什么【免費(fèi)下載鏈接】Nex-N2.5-mini項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/nex-agi/Nex-N2.5-mini當(dāng)社區(qū)還在爭(zhēng)論開源模型能不能打過 GPT時(shí)Nex-N2.5-mini 這類模型已經(jīng)把競(jìng)爭(zhēng)維度換掉了它不再追求單輪回答的口才而是考核在真實(shí)環(huán)境里連續(xù)干活的能力——拆解任務(wù)、調(diào)用工具、讀取環(huán)境反饋、自我修正。Nex-N2.5-mini的定位從來不是更強(qiáng)的聊天模型而是一個(gè)為 Agent 工作流設(shè)計(jì)的思考引擎。它對(duì)外強(qiáng)調(diào)的兩件事——Adaptive Thinking自適應(yīng)思維與 Coherent Thinking連貫思維——正是這套能力的兩根支柱。本文結(jié)合倉(cāng)庫(kù)源碼README.md、chat_template.jinja、config.json與官方公開數(shù)據(jù)拆解這兩個(gè)概念到底改了什么改的不是模型能想多久而是想這件事在整個(gè) Agent 生命周期里的角色。從會(huì)聊天到會(huì)干活為什么需要 Agentic Thinking傳統(tǒng)大模型的使用方式是一條直線用戶提問模型回答。即使引入思維鏈CoT推理也發(fā)生在回答之前的一次性前綴里——想完就結(jié)束不存在想一步、做一步、看結(jié)果、再想的循環(huán)。而真實(shí) Agent 任務(wù)是長(zhǎng)程的一次軟件工程任務(wù)可能包含數(shù)十次搜索、數(shù)十個(gè)工具調(diào)用、多輪編譯報(bào)錯(cuò)與修復(fù)。官方對(duì) Nex-N2 的總結(jié)很直白Thinking 范式的全局統(tǒng)一——無論是 Search、Coding 還是 Agentic Tool Calling模型的思維鏈都遵循一致的結(jié)構(gòu)范式目標(biāo)分解、狀態(tài)追蹤、策略調(diào)整、自我校驗(yàn)。這種統(tǒng)一在一次代碼任務(wù)中穿插搜索和工具調(diào)用的混合場(chǎng)景里優(yōu)勢(shì)尤為突出而這恰恰是 SWE-Bench Pro、Terminal-Bench 這類基準(zhǔn)的真實(shí)形態(tài)。社區(qū)對(duì) N2.5-mini 的測(cè)評(píng)也印證了這一點(diǎn)它強(qiáng)調(diào)真實(shí)任務(wù)穩(wěn)定性而非單輪回答質(zhì)量能力依賴定制 SGLang 框架、推理解析器與調(diào)度策略。也就是說Agentic Thinking 不是一段提示詞而是從模型訓(xùn)練目標(biāo)、模板機(jī)制到推理基礎(chǔ)設(shè)施的一整套改動(dòng)。Adaptive Thinking想不想、想多少模型自己說了算Adaptive Thinking 解決的是思考的性價(jià)比問題。強(qiáng)制每輪開啟思維鏈能提升完成率但大量簡(jiǎn)單任務(wù)根本不需要推理白白消耗 token強(qiáng)制關(guān)閉則在高不確定性任務(wù)上翻車。Nex 的做法是讓模型自己決定這個(gè)任務(wù)要不要想要想多久在 README.md 的 Thinking Modes 一節(jié)中這個(gè)能力被暴露為一個(gè)可配置的reasoning_effort參數(shù)reasoning_effortModeBehaviornoneNon-thinking不產(chǎn)出推理軌跡直接回答medium默認(rèn)Adaptive thinking由模型自行決定是否思考、思考多少highThinking總是先思考再回答medium 是默認(rèn)檔位這本身就是設(shè)計(jì)立場(chǎng)自適應(yīng)是常態(tài)強(qiáng)制思考反而是特例。官方公開的對(duì)比數(shù)據(jù)顯示在 Adaptive Thinking 下Nex-N2-mini 相對(duì)強(qiáng)制關(guān)閉思維鏈顯著提升與強(qiáng)制每輪開啟性能持平甚至略好同時(shí)整體 token 花銷節(jié)省約 20%。更有意思的是官方披露的推理構(gòu)型分析在不同任務(wù)上模型的推理密度分布完全不同——搜索任務(wù)前期聚焦拆解搜索策略、末段集中綜合證據(jù)SWE 類任務(wù)在定位 bug 與驗(yàn)證修復(fù)階段最密集開放式長(zhǎng)程任務(wù)則隨推進(jìn)逐步加深、在收尾整合時(shí)達(dá)到峰值。一句話概括推理被集中投放在不確定性高、需要關(guān)鍵決策的環(huán)節(jié)而不是均勻地鋪滿整個(gè)對(duì)話。Coherent Thinking拆解→調(diào)用→反饋被統(tǒng)一成同一種思維Coherent Thinking 解決的是思考與行動(dòng)的一致性問題。傳統(tǒng) Agent 棧里規(guī)劃是獨(dú)立的模塊ReAct、Plan-and-Execute 等模式模型先輸出一段計(jì)劃文本再由外部框架解釋執(zhí)行。這種割裂導(dǎo)致模型對(duì)工具返回的結(jié)果反應(yīng)遲鈍——它計(jì)劃時(shí)沒把真實(shí)的工具輸出納入推理執(zhí)行后也缺少把反饋重新吸收進(jìn)思維鏈的機(jī)制。Nex 的設(shè)計(jì)是把動(dòng)作本身變成思維鏈的一部分。打開 chat_template.jinja 就能看到這套機(jī)制的內(nèi)核它一共做了三件事第一推理塊與工具調(diào)用共用一個(gè)消息流。模板對(duì) assistant 消息的渲染固定為think推理內(nèi)容 正文 可選的tool_call塊第 90-126 行。模型在想完一段之后可以直接在同一輪輸出工具調(diào)用二者之間沒有任何模板層的規(guī)劃/執(zhí)行分界。第二工具調(diào)用是結(jié)構(gòu)化的天然可多輪。模板把函數(shù)調(diào)用序列化為嚴(yán)格的 XML 結(jié)構(gòu)且明確要求嵌套在tool_call/tool_call內(nèi)tool_call functionexample_function_name parameterexample_parameter_1 value_1 /parameter /function /tool_call同時(shí)模板系統(tǒng)提示里有一條關(guān)鍵約束You may provide optional reasoning for your function call in natural languageBEFOREthe function call, butNOT after——推理必須發(fā)生在調(diào)用之前這保證了想清楚了再動(dòng)手的因果順序。第三工具結(jié)果以環(huán)境消息形式回流。模板對(duì) role 為 tool 的消息做特殊包裝第 127-138 行多個(gè)工具結(jié)果被聚合成一條 user 消息用tool_response/tool_response包裹后注入。更關(guān)鍵的是第 67-77 行的multi_step_tool檢測(cè)邏輯它會(huì)從消息流末尾反向掃描找到最后一個(gè)真實(shí)用戶查詢確保工具結(jié)果不會(huì)污染后續(xù)輪次的提問身份。這意味著每一次工具返回都會(huì)進(jìn)入下一輪think的上下文——思考、行動(dòng)、觀察構(gòu)成了一個(gè)閉環(huán)而不是各管一段。到了 Nex-N2.5這個(gè)閉環(huán)里又加入了一路新的反饋通道視覺。官方對(duì) N2.5 的表述是依靠視覺反饋持續(xù)行動(dòng)與自我修正操作計(jì)算機(jī)、瀏覽器并運(yùn)行和測(cè)試程序視覺從輸入模態(tài)變成了Agent 感知環(huán)境、驗(yàn)證結(jié)果、推進(jìn)任務(wù)的接口。這解釋了為什么 config.json 里同時(shí)存在視覺編碼器配置27 層、patch_size 16、支持視頻的時(shí)間維 patch與 262144 的max_position_embeddings長(zhǎng)上下文 視覺 grounding都是為了讓模型能在看結(jié)果→改動(dòng)作的循環(huán)里走得更遠(yuǎn)。與傳統(tǒng) CoT 的本質(zhì)區(qū)別三個(gè)維度把上面兩層拆開與傳統(tǒng) CoT 的區(qū)別可以落到三個(gè)可驗(yàn)證的維度上維度傳統(tǒng) CoTAgentic ThinkingNex-N2.5思考的觸發(fā)恒定的要么總是想要么不想自適應(yīng)reasoning_effortmedium下由模型按任務(wù)復(fù)雜度動(dòng)態(tài)調(diào)控強(qiáng)度思考的對(duì)象面向給出答案的單輪推理面向推進(jìn)任務(wù)的多輪推理目標(biāo)分解、狀態(tài)追蹤、策略調(diào)整、自我校驗(yàn)官方定義的統(tǒng)一結(jié)構(gòu)范式思考與行動(dòng)的關(guān)系推理在回答前一次性完成與工具調(diào)用解耦think與tool_call/tool_response在同一消息流中交替推理直接消費(fèi)環(huán)境反饋這種差異在基準(zhǔn)上留下了可觀測(cè)的痕跡。Nex-N2.5-mini 在 Agent 類基準(zhǔn)上的表現(xiàn)顯著強(qiáng)于其在通用推理上的相對(duì)位置Terminal-Bench 2.1 達(dá) 73.4、SWE-Bench Pro 43.8、BrowseComp 83.4多模態(tài)側(cè) OSWorld-Verified 71.2、OSWorld-G 82.9數(shù)據(jù)與采樣參數(shù) temperature0.7、top_p0.95、top_k40 均來自 README.md 的評(píng)測(cè)表。前代的 Nex-N2-mini 同樣是 BrowseComp 74.1、SWE-Bench Pro 50.2、Terminal-Bench 2.1 60.7——30B 級(jí)別的稀疏激活模型在長(zhǎng)程真實(shí)任務(wù)上的得分遠(yuǎn)高于同等規(guī)模模型在純知識(shí)問答上的表現(xiàn)。這正是 Agentic Thinking 的收益所在模型被訓(xùn)練成在環(huán)境反饋中逐步逼近目標(biāo)而不是一次生成完美答案。工程落地從模板到推理基礎(chǔ)設(shè)施最后回到使用側(cè)。Adaptive/Coherent Thinking 不是模型權(quán)重自帶的魔法需要配套的推理層配合才能完整生效README.md 給出了明確的組合推理解析器啟動(dòng)服務(wù)時(shí)指定--reasoning-parser qwen3N2.5-mini/Pro 用 qwen3Max 用 deepseek-r1讓 SGLang 把think推理軌跡從最終回答中剝離出來便于上層按reasoning_effort讀取或丟棄工具調(diào)用解析器--tool-call-parser qwen3_coder負(fù)責(zé)把模型的tool_call結(jié)構(gòu)化輸出解析成標(biāo)準(zhǔn)的函數(shù)調(diào)用網(wǎng)關(guān)參數(shù)翻譯README 特別提醒enable_thinking、thinking_mode這類參數(shù)需要通過網(wǎng)關(guān)翻譯成模板真正消費(fèi)的reasoning_effort——因?yàn)槟０宓纳啥蝐hat_template.jinja 第 143-154 行只看這一個(gè)字段來決定think塊的開合。這套模板 解析器 調(diào)度的組合正是社區(qū)文章反復(fù)提到的模型能力依賴定制 SGLang 框架的所指。換句話說Nex 把何時(shí)思考從不可控的模型行為變成了可編程的接口把思考與行動(dòng)從兩段式流水線合并成了同一條思維流。這才是 Adaptive/Coherent Thinking 相比傳統(tǒng) CoT 真正的改動(dòng)?！久赓M(fèi)下載鏈接】Nex-N2.5-mini項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/nex-agi/Nex-N2.5-mini創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 Agentic Thinking 拆解：Adaptive/Coherent Thinking 到底改了什么
Agentic Thinking 拆解Adaptive/Coherent Thinking 到底改了什么【免費(fèi)下載鏈接】Nex-N2.5-mini項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/nex-agi/Nex-N2.5-mini當(dāng)社區(qū)還在爭(zhēng)論開源模型能不能打過 GPT時(shí)Nex-N2.5-mini 這類模型已經(jīng)把競(jìng)爭(zhēng)維度換掉了它不再追求單輪回答的口才而是考核在真實(shí)環(huán)境里連續(xù)干活的能力——拆解任務(wù)、調(diào)用工具、讀取環(huán)境反饋、自我修正。Nex-N2.5-mini的定位從來不是更強(qiáng)的聊天模型而是一個(gè)為 Agent 工作流設(shè)計(jì)的思考引擎。它對(duì)外強(qiáng)調(diào)的兩件事——Adaptive Thinking自適應(yīng)思維與 Coherent Thinking連貫思維——正是這套能力的兩根支柱。本文結(jié)合倉(cāng)庫(kù)源碼README.md、chat_template.jinja、config.json與官方公開數(shù)據(jù)拆解這兩個(gè)概念到底改了什么改的不是模型能想多久而是想這件事在整個(gè) Agent 生命周期里的角色。從會(huì)聊天到會(huì)干活為什么需要 Agentic Thinking傳統(tǒng)大模型的使用方式是一條直線用戶提問模型回答。即使引入思維鏈CoT推理也發(fā)生在回答之前的一次性前綴里——想完就結(jié)束不存在想一步、做一步、看結(jié)果、再想的循環(huán)。而真實(shí) Agent 任務(wù)是長(zhǎng)程的一次軟件工程任務(wù)可能包含數(shù)十次搜索、數(shù)十個(gè)工具調(diào)用、多輪編譯報(bào)錯(cuò)與修復(fù)。官方對(duì) Nex-N2 的總結(jié)很直白Thinking 范式的全局統(tǒng)一——無論是 Search、Coding 還是 Agentic Tool Calling模型的思維鏈都遵循一致的結(jié)構(gòu)范式目標(biāo)分解、狀態(tài)追蹤、策略調(diào)整、自我校驗(yàn)。這種統(tǒng)一在一次代碼任務(wù)中穿插搜索和工具調(diào)用的混合場(chǎng)景里優(yōu)勢(shì)尤為突出而這恰恰是 SWE-Bench Pro、Terminal-Bench 這類基準(zhǔn)的真實(shí)形態(tài)。社區(qū)對(duì) N2.5-mini 的測(cè)評(píng)也印證了這一點(diǎn)它強(qiáng)調(diào)真實(shí)任務(wù)穩(wěn)定性而非單輪回答質(zhì)量能力依賴定制 SGLang 框架、推理解析器與調(diào)度策略。也就是說Agentic Thinking 不是一段提示詞而是從模型訓(xùn)練目標(biāo)、模板機(jī)制到推理基礎(chǔ)設(shè)施的一整套改動(dòng)。Adaptive Thinking想不想、想多少模型自己說了算Adaptive Thinking 解決的是思考的性價(jià)比問題。強(qiáng)制每輪開啟思維鏈能提升完成率但大量簡(jiǎn)單任務(wù)根本不需要推理白白消耗 token強(qiáng)制關(guān)閉則在高不確定性任務(wù)上翻車。Nex 的做法是讓模型自己決定這個(gè)任務(wù)要不要想要想多久在 README.md 的 Thinking Modes 一節(jié)中這個(gè)能力被暴露為一個(gè)可配置的reasoning_effort參數(shù)reasoning_effortModeBehaviornoneNon-thinking不產(chǎn)出推理軌跡直接回答medium默認(rèn)Adaptive thinking由模型自行決定是否思考、思考多少highThinking總是先思考再回答medium 是默認(rèn)檔位這本身就是設(shè)計(jì)立場(chǎng)自適應(yīng)是常態(tài)強(qiáng)制思考反而是特例。官方公開的對(duì)比數(shù)據(jù)顯示在 Adaptive Thinking 下Nex-N2-mini 相對(duì)強(qiáng)制關(guān)閉思維鏈顯著提升與強(qiáng)制每輪開啟性能持平甚至略好同時(shí)整體 token 花銷節(jié)省約 20%。更有意思的是官方披露的推理構(gòu)型分析在不同任務(wù)上模型的推理密度分布完全不同——搜索任務(wù)前期聚焦拆解搜索策略、末段集中綜合證據(jù)SWE 類任務(wù)在定位 bug 與驗(yàn)證修復(fù)階段最密集開放式長(zhǎng)程任務(wù)則隨推進(jìn)逐步加深、在收尾整合時(shí)達(dá)到峰值。一句話概括推理被集中投放在不確定性高、需要關(guān)鍵決策的環(huán)節(jié)而不是均勻地鋪滿整個(gè)對(duì)話。Coherent Thinking拆解→調(diào)用→反饋被統(tǒng)一成同一種思維Coherent Thinking 解決的是思考與行動(dòng)的一致性問題。傳統(tǒng) Agent 棧里規(guī)劃是獨(dú)立的模塊ReAct、Plan-and-Execute 等模式模型先輸出一段計(jì)劃文本再由外部框架解釋執(zhí)行。這種割裂導(dǎo)致模型對(duì)工具返回的結(jié)果反應(yīng)遲鈍——它計(jì)劃時(shí)沒把真實(shí)的工具輸出納入推理執(zhí)行后也缺少把反饋重新吸收進(jìn)思維鏈的機(jī)制。Nex 的設(shè)計(jì)是把動(dòng)作本身變成思維鏈的一部分。打開 chat_template.jinja 就能看到這套機(jī)制的內(nèi)核它一共做了三件事第一推理塊與工具調(diào)用共用一個(gè)消息流。模板對(duì) assistant 消息的渲染固定為think推理內(nèi)容 正文 可選的tool_call塊第 90-126 行。模型在想完一段之后可以直接在同一輪輸出工具調(diào)用二者之間沒有任何模板層的規(guī)劃/執(zhí)行分界。第二工具調(diào)用是結(jié)構(gòu)化的天然可多輪。模板把函數(shù)調(diào)用序列化為嚴(yán)格的 XML 結(jié)構(gòu)且明確要求嵌套在tool_call/tool_call內(nèi)tool_call functionexample_function_name parameterexample_parameter_1 value_1 /parameter /function /tool_call同時(shí)模板系統(tǒng)提示里有一條關(guān)鍵約束You may provide optional reasoning for your function call in natural languageBEFOREthe function call, butNOT after——推理必須發(fā)生在調(diào)用之前這保證了想清楚了再動(dòng)手的因果順序。第三工具結(jié)果以環(huán)境消息形式回流。模板對(duì) role 為 tool 的消息做特殊包裝第 127-138 行多個(gè)工具結(jié)果被聚合成一條 user 消息用tool_response/tool_response包裹后注入。更關(guān)鍵的是第 67-77 行的multi_step_tool檢測(cè)邏輯它會(huì)從消息流末尾反向掃描找到最后一個(gè)真實(shí)用戶查詢確保工具結(jié)果不會(huì)污染后續(xù)輪次的提問身份。這意味著每一次工具返回都會(huì)進(jìn)入下一輪think的上下文——思考、行動(dòng)、觀察構(gòu)成了一個(gè)閉環(huán)而不是各管一段。到了 Nex-N2.5這個(gè)閉環(huán)里又加入了一路新的反饋通道視覺。官方對(duì) N2.5 的表述是依靠視覺反饋持續(xù)行動(dòng)與自我修正操作計(jì)算機(jī)、瀏覽器并運(yùn)行和測(cè)試程序視覺從輸入模態(tài)變成了Agent 感知環(huán)境、驗(yàn)證結(jié)果、推進(jìn)任務(wù)的接口。這解釋了為什么 config.json 里同時(shí)存在視覺編碼器配置27 層、patch_size 16、支持視頻的時(shí)間維 patch與 262144 的max_position_embeddings長(zhǎng)上下文 視覺 grounding都是為了讓模型能在看結(jié)果→改動(dòng)作的循環(huán)里走得更遠(yuǎn)。與傳統(tǒng) CoT 的本質(zhì)區(qū)別三個(gè)維度把上面兩層拆開與傳統(tǒng) CoT 的區(qū)別可以落到三個(gè)可驗(yàn)證的維度上維度傳統(tǒng) CoTAgentic ThinkingNex-N2.5思考的觸發(fā)恒定的要么總是想要么不想自適應(yīng)reasoning_effortmedium下由模型按任務(wù)復(fù)雜度動(dòng)態(tài)調(diào)控強(qiáng)度思考的對(duì)象面向給出答案的單輪推理面向推進(jìn)任務(wù)的多輪推理目標(biāo)分解、狀態(tài)追蹤、策略調(diào)整、自我校驗(yàn)官方定義的統(tǒng)一結(jié)構(gòu)范式思考與行動(dòng)的關(guān)系推理在回答前一次性完成與工具調(diào)用解耦think與tool_call/tool_response在同一消息流中交替推理直接消費(fèi)環(huán)境反饋這種差異在基準(zhǔn)上留下了可觀測(cè)的痕跡。Nex-N2.5-mini 在 Agent 類基準(zhǔn)上的表現(xiàn)顯著強(qiáng)于其在通用推理上的相對(duì)位置Terminal-Bench 2.1 達(dá) 73.4、SWE-Bench Pro 43.8、BrowseComp 83.4多模態(tài)側(cè) OSWorld-Verified 71.2、OSWorld-G 82.9數(shù)據(jù)與采樣參數(shù) temperature0.7、top_p0.95、top_k40 均來自 README.md 的評(píng)測(cè)表。前代的 Nex-N2-mini 同樣是 BrowseComp 74.1、SWE-Bench Pro 50.2、Terminal-Bench 2.1 60.7——30B 級(jí)別的稀疏激活模型在長(zhǎng)程真實(shí)任務(wù)上的得分遠(yuǎn)高于同等規(guī)模模型在純知識(shí)問答上的表現(xiàn)。這正是 Agentic Thinking 的收益所在模型被訓(xùn)練成在環(huán)境反饋中逐步逼近目標(biāo)而不是一次生成完美答案。工程落地從模板到推理基礎(chǔ)設(shè)施最后回到使用側(cè)。Adaptive/Coherent Thinking 不是模型權(quán)重自帶的魔法需要配套的推理層配合才能完整生效README.md 給出了明確的組合推理解析器啟動(dòng)服務(wù)時(shí)指定--reasoning-parser qwen3N2.5-mini/Pro 用 qwen3Max 用 deepseek-r1讓 SGLang 把think推理軌跡從最終回答中剝離出來便于上層按reasoning_effort讀取或丟棄工具調(diào)用解析器--tool-call-parser qwen3_coder負(fù)責(zé)把模型的tool_call結(jié)構(gòu)化輸出解析成標(biāo)準(zhǔn)的函數(shù)調(diào)用網(wǎng)關(guān)參數(shù)翻譯README 特別提醒enable_thinking、thinking_mode這類參數(shù)需要通過網(wǎng)關(guān)翻譯成模板真正消費(fèi)的reasoning_effort——因?yàn)槟０宓纳啥蝐hat_template.jinja 第 143-154 行只看這一個(gè)字段來決定think塊的開合。這套模板 解析器 調(diào)度的組合正是社區(qū)文章反復(fù)提到的模型能力依賴定制 SGLang 框架的所指。換句話說Nex 把何時(shí)思考從不可控的模型行為變成了可編程的接口把思考與行動(dòng)從兩段式流水線合并成了同一條思維流。這才是 Adaptive/Coherent Thinking 相比傳統(tǒng) CoT 真正的改動(dòng)?！久赓M(fèi)下載鏈接】Nex-N2.5-mini項(xiàng)目地址: https://ai.gitcode.com/hf_mirrors/nex-agi/Nex-N2.5-mini創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考