NexForge：通过需求驱动任务合成扩展LLM的Agent能力

NexForge是一个需求驱动的任务合成框架，能从高层次能力需求生成可执行的agent任务和专家轨迹，用于LLM监督微调。它无需领域特定基础设施，自动编译文件、依赖等实例化任务。使用其生成的3,600个终端任务和2,000个办公任务，将Qwen3.5-35B-A3B Base在Terminal-Bench 2.0上的准确率从22.5%提升至52.0%，GDPval Elo从813提升至1338。扩展到43.2K任务后进一步提升至58.4%，超越Claude Opus 4.6。基于此训练的Nex-N2模型在Terminal-Bench 2.1上达到75.3%，GDPval Elo 1585，成为开源最佳，超越部分闭源系统。

此前任务合成受限于固定工具或技能图，扩展需要人工工程和定制基础设施，且分布存在偏差。NexForge通过需求描述直接合成任务，无需手动构建底层资源，大幅降低了扩展agent训练数据的门槛和成本。

NexForge先分析真实需求生成场景和任务模板，采样任务形式，再通过分布感知编译自动检索或构建文件、仓库、依赖等来实例化任务，最后合成专家轨迹并蒸馏。该机制将任务合成从“资源限制”转向“需求驱动”。

开发AI agent产品的团队可借鉴NexForge方法，快速生成大量高质量训练数据，省去构建和维护工具、仓库等基础设施的工程成本。Nex-N2模型作为开源模型可直接用于构建agent应用，降低对闭源模型的依赖。

• 使用类似NexForge的需求驱动方式，为特定垂直领域（如客服、代码开发）自动生成agent训练数据，提升模型在该领域的任务执行能力。
• 集成Nex-N2开源模型到产品中，替代部分闭源模型以降低成本并增加自主可控性。
• 开发基于需求驱动的自动化数据合成流水线产品，作为服务提供给其他需要训练agent的AI公司。

• NexForge框架和Nex-N2模型是否已开源或可通过API获取？
• 该方法在其他领域（如图像处理、物理机器人）是否同样有效？
• 合成的任务是否存在质量或覆盖偏差，如何评估和修正？
• 在真实用户环境中的表现与论文中基准测试的差距有多大？