Agentic Thinking 拆解Adaptive/Coherent Thinking 到底改了什么【免费下载链接】Nex-N2.5-mini项目地址: https://ai.gitcode.com/hf_mirrors/nex-agi/Nex-N2.5-mini当社区还在争论开源模型能不能打过 GPT时Nex-N2.5-mini 这类模型已经把竞争维度换掉了它不再追求单轮回答的口才而是考核在真实环境里连续干活的能力——拆解任务、调用工具、读取环境反馈、自我修正。Nex-N2.5-mini的定位从来不是更强的聊天模型而是一个为 Agent 工作流设计的思考引擎。它对外强调的两件事——Adaptive Thinking自适应思维与 Coherent Thinking连贯思维——正是这套能力的两根支柱。本文结合仓库源码README.md、chat_template.jinja、config.json与官方公开数据拆解这两个概念到底改了什么改的不是模型能想多久而是想这件事在整个 Agent 生命周期里的角色。从会聊天到会干活为什么需要 Agentic Thinking传统大模型的使用方式是一条直线用户提问模型回答。即使引入思维链CoT推理也发生在回答之前的一次性前缀里——想完就结束不存在想一步、做一步、看结果、再想的循环。而真实 Agent 任务是长程的一次软件工程任务可能包含数十次搜索、数十个工具调用、多轮编译报错与修复。官方对 Nex-N2 的总结很直白Thinking 范式的全局统一——无论是 Search、Coding 还是 Agentic Tool Calling模型的思维链都遵循一致的结构范式目标分解、状态追踪、策略调整、自我校验。这种统一在一次代码任务中穿插搜索和工具调用的混合场景里优势尤为突出而这恰恰是 SWE-Bench Pro、Terminal-Bench 这类基准的真实形态。社区对 N2.5-mini 的测评也印证了这一点它强调真实任务稳定性而非单轮回答质量能力依赖定制 SGLang 框架、推理解析器与调度策略。也就是说Agentic Thinking 不是一段提示词而是从模型训练目标、模板机制到推理基础设施的一整套改动。Adaptive Thinking想不想、想多少模型自己说了算Adaptive Thinking 解决的是思考的性价比问题。强制每轮开启思维链能提升完成率但大量简单任务根本不需要推理白白消耗 token强制关闭则在高不确定性任务上翻车。Nex 的做法是让模型自己决定这个任务要不要想要想多久在 README.md 的 Thinking Modes 一节中这个能力被暴露为一个可配置的reasoning_effort参数reasoning_effortModeBehaviornoneNon-thinking不产出推理轨迹直接回答medium默认Adaptive thinking由模型自行决定是否思考、思考多少highThinking总是先思考再回答medium 是默认档位这本身就是设计立场自适应是常态强制思考反而是特例。官方公开的对比数据显示在 Adaptive Thinking 下Nex-N2-mini 相对强制关闭思维链显著提升与强制每轮开启性能持平甚至略好同时整体 token 花销节省约 20%。更有意思的是官方披露的推理构型分析在不同任务上模型的推理密度分布完全不同——搜索任务前期聚焦拆解搜索策略、末段集中综合证据SWE 类任务在定位 bug 与验证修复阶段最密集开放式长程任务则随推进逐步加深、在收尾整合时达到峰值。一句话概括推理被集中投放在不确定性高、需要关键决策的环节而不是均匀地铺满整个对话。Coherent Thinking拆解→调用→反馈被统一成同一种思维Coherent Thinking 解决的是思考与行动的一致性问题。传统 Agent 栈里规划是独立的模块ReAct、Plan-and-Execute 等模式模型先输出一段计划文本再由外部框架解释执行。这种割裂导致模型对工具返回的结果反应迟钝——它计划时没把真实的工具输出纳入推理执行后也缺少把反馈重新吸收进思维链的机制。Nex 的设计是把动作本身变成思维链的一部分。打开 chat_template.jinja 就能看到这套机制的内核它一共做了三件事第一推理块与工具调用共用一个消息流。模板对 assistant 消息的渲染固定为think推理内容 正文 可选的tool_call块第 90-126 行。模型在想完一段之后可以直接在同一轮输出工具调用二者之间没有任何模板层的规划/执行分界。第二工具调用是结构化的天然可多轮。模板把函数调用序列化为严格的 XML 结构且明确要求嵌套在tool_call/tool_call内tool_call functionexample_function_name parameterexample_parameter_1 value_1 /parameter /function /tool_call同时模板系统提示里有一条关键约束You may provide optional reasoning for your function call in natural languageBEFOREthe function call, butNOT after——推理必须发生在调用之前这保证了想清楚了再动手的因果顺序。第三工具结果以环境消息形式回流。模板对 role 为 tool 的消息做特殊包装第 127-138 行多个工具结果被聚合成一条 user 消息用tool_response/tool_response包裹后注入。更关键的是第 67-77 行的multi_step_tool检测逻辑它会从消息流末尾反向扫描找到最后一个真实用户查询确保工具结果不会污染后续轮次的提问身份。这意味着每一次工具返回都会进入下一轮think的上下文——思考、行动、观察构成了一个闭环而不是各管一段。到了 Nex-N2.5这个闭环里又加入了一路新的反馈通道视觉。官方对 N2.5 的表述是依靠视觉反馈持续行动与自我修正操作计算机、浏览器并运行和测试程序视觉从输入模态变成了Agent 感知环境、验证结果、推进任务的接口。这解释了为什么 config.json 里同时存在视觉编码器配置27 层、patch_size 16、支持视频的时间维 patch与 262144 的max_position_embeddings长上下文 视觉 grounding都是为了让模型能在看结果→改动作的循环里走得更远。与传统 CoT 的本质区别三个维度把上面两层拆开与传统 CoT 的区别可以落到三个可验证的维度上维度传统 CoTAgentic ThinkingNex-N2.5思考的触发恒定的要么总是想要么不想自适应reasoning_effortmedium下由模型按任务复杂度动态调控强度思考的对象面向给出答案的单轮推理面向推进任务的多轮推理目标分解、状态追踪、策略调整、自我校验官方定义的统一结构范式思考与行动的关系推理在回答前一次性完成与工具调用解耦think与tool_call/tool_response在同一消息流中交替推理直接消费环境反馈这种差异在基准上留下了可观测的痕迹。Nex-N2.5-mini 在 Agent 类基准上的表现显著强于其在通用推理上的相对位置Terminal-Bench 2.1 达 73.4、SWE-Bench Pro 43.8、BrowseComp 83.4多模态侧 OSWorld-Verified 71.2、OSWorld-G 82.9数据与采样参数 temperature0.7、top_p0.95、top_k40 均来自 README.md 的评测表。前代的 Nex-N2-mini 同样是 BrowseComp 74.1、SWE-Bench Pro 50.2、Terminal-Bench 2.1 60.7——30B 级别的稀疏激活模型在长程真实任务上的得分远高于同等规模模型在纯知识问答上的表现。这正是 Agentic Thinking 的收益所在模型被训练成在环境反馈中逐步逼近目标而不是一次生成完美答案。工程落地从模板到推理基础设施最后回到使用侧。Adaptive/Coherent Thinking 不是模型权重自带的魔法需要配套的推理层配合才能完整生效README.md 给出了明确的组合推理解析器启动服务时指定--reasoning-parser qwen3N2.5-mini/Pro 用 qwen3Max 用 deepseek-r1让 SGLang 把think推理轨迹从最终回答中剥离出来便于上层按reasoning_effort读取或丢弃工具调用解析器--tool-call-parser qwen3_coder负责把模型的tool_call结构化输出解析成标准的函数调用网关参数翻译README 特别提醒enable_thinking、thinking_mode这类参数需要通过网关翻译成模板真正消费的reasoning_effort——因为模板的生成段chat_template.jinja 第 143-154 行只看这一个字段来决定think块的开合。这套模板 解析器 调度的组合正是社区文章反复提到的模型能力依赖定制 SGLang 框架的所指。换句话说Nex 把何时思考从不可控的模型行为变成了可编程的接口把思考与行动从两段式流水线合并成了同一条思维流。这才是 Adaptive/Coherent Thinking 相比传统 CoT 真正的改动。【免费下载链接】Nex-N2.5-mini项目地址: https://ai.gitcode.com/hf_mirrors/nex-agi/Nex-N2.5-mini创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
