Contexto técnico
He estado investigando cómo se distribuye actualmente nex-agi/nex-n2-pro, y lo más útil no son los eslóganes llamativos, sino la barrera de entrada. El modelo ya está disponible en OpenRouter como nex-agi/nex-n2-pro:free, lo que significa que no necesitas abrir el presupuesto de inmediato para una prueba rápida de escenarios de automatización con IA.
Esto es una demo, y sí, “pagar después” suena literal aquí: el acceso gratuito se promociona como temporal. Pero para mí, este es justo el momento adecuado para tomar mis prompts reales, tool calling, salidas estructuradas y ver dónde el modelo rinde y dónde empieza a flojear.
En cuanto a hardware, no es un juguete: 397B MoE, alrededor de 17B de parámetros activos, basado en Qwen3.5-397B-A17B. Se anuncia un contexto de hasta 262k tokens, con entrada de texto + imagen, function calling y modos de razonamiento, por lo que no es solo “otro LLM”, sino una base para una integración de IA adecuada en flujos de trabajo reales.
Los números de referencia que han publicado son audaces: 80.8 en SWE-Bench Verified, 58.8 en SWE-Bench Pro, 75.3 en Terminal-Bench 2.1, 83.7 en BrowseComp. Siempre tomo estas cifras con cautela, porque las proporciona el proveedor, no una auditoría independiente, pero la combinación de métricas al menos muestra hacia dónde apunta el modelo: código, agentes, navegación, herramientas.
A partir de los comentarios de usuarios reales, el panorama también es conocido. A la gente le gusta la calidad en las tareas secundarias, pero enseguida aparecen dos viejos conocidos: inestabilidad y velocidad. Así que el entusiasmo es comprensible, y no hay vuelta atrás, pero yo solo pondría algo así en producción después de mis propias pruebas de carga.
Lo que esto cambia para empresas y automatización
Primero: ahora es más barato probar hipótesis. Si quieres crear automatización con IA para soporte, búsqueda interna, agentes de código o procesamiento de documentos, la demo gratuita elimina la pausa innecesaria antes de probar.
Segundo: los modelos open-weight se acercan cada vez más a tareas donde antes depender de las APIs de frontera era la única opción. Esto ya está afectando a la arquitectura de IA: en algunos lugares se puede prescindir de un proveedor caro y en otros se puede diseñar un esquema híbrido con respaldo según calidad y costo.
Aquí perderán quienes todavía eligen un modelo por una captura de pantalla de un benchmark. Ganarán los equipos que saben medir la latencia, la fiabilidad de las herramientas, los costos de enrutamiento y mantener un circuito de respaldo. En Nahornyi AI Lab, eso es exactamente lo que construimos para los clientes: no “magia de IA”, sino un sistema funcional con limitaciones claras.
Si tienes un proyecto de implementación de IA pendiente y quieres entender si un modelo así puede manejar tu proceso real, vamos a desglosarlo. En Nahornyi AI Lab, suelo montar rápidamente un entorno de prueba para ver dónde es suficiente un solo modelo y dónde es mejor crear de inmediato un agente de IA personalizado para la carga de trabajo específica.