Contexte technique
J'ai examiné la manière dont nex-agi/nex-n2-pro est actuellement distribué, et le plus utile n'est pas les slogans tape-à-l'œil, mais la barrière d'entrée. Le modèle est déjà disponible sur OpenRouter sous le nom nex-agi/nex-n2-pro:free, ce qui signifie que vous n'avez pas besoin d'ouvrir immédiatement votre budget pour tester rapidement des scénarios d'automatisation IA.
C'est une démo, et oui, « payer plus tard » est à prendre au pied de la lettre ici : l'accès gratuit est annoncé comme temporaire. Mais pour moi, c'est justement le moment idéal pour prendre mes prompts réels, l'appel d'outils, les sorties structurées et voir où le modèle est performant et où il commence à faiblir.
Côté hardware, ce n'est pas un jouet : 397B MoE, environ 17B de paramètres actifs, basé sur Qwen3.5-397B-A17B. Le contexte annoncé va jusqu'à 262k tokens, avec entrée texte + image, function calling et modes de raisonnement, ce n'est donc pas juste « un LLM de plus », mais une base pour une intégration IA sérieuse dans les pipelines de travail.
Les chiffres de benchmarks qu'ils affichent sont audacieux : 80,8 sur SWE-Bench Verified, 58,8 sur SWE-Bench Pro, 75,3 sur Terminal-Bench 2.1, 83,7 sur BrowseComp. Je prends toujours ces chiffres avec des pincettes, car ils viennent du fournisseur, pas d'un audit indépendant, mais l'ensemble des métriques montre au moins vers quoi le modèle tend : code, agents, navigation, outils.
Les retours d'utilisateurs réels brossent un tableau familier. Les gens apprécient la qualité sur les tâches secondaires, mais deux vieux amis refont vite surface : l'instabilité et la lenteur. L'enthousiasme est donc compréhensible, et on ne reviendra pas en arrière, mais je ne mettrais un tel modèle en production qu'après mes propres tests de charge.
Ce que cela change pour les entreprises et l'automatisation
Premièrement : tester des hypothèses coûte moins cher. Si vous voulez créer de l'automatisation IA pour le support, la recherche interne, les agents de code ou le traitement de documents, la démo gratuite supprime la pause inutile avant le test.
Deuxièmement : les modèles open-weight se rapprochent de tâches pour lesquelles il fallait auparavant se contenter des API frontalières. Cela a déjà un impact sur l'architecture IA : on peut parfois se passer d'un fournisseur coûteux, ou concevoir un schéma hybride avec un repli basé sur la qualité et le coût.
Les perdants seront ceux qui choisissent encore un modèle sur la base d'une capture d'écran de benchmark. Les gagnants seront les équipes qui savent mesurer la latence, la fiabilité des outils, le coût de routage et maintenir un circuit de secours. Chez Nahornyi AI Lab, c'est exactement ce que nous construisons pour nos clients : pas de « magie IA », mais un système fonctionnel avec des limites claires.
Si vous avez un projet d'implémentation d'IA en attente et que vous voulez savoir si un tel modèle peut gérer votre processus réel, décomposons-le. Chez Nahornyi AI Lab, je mets généralement en place rapidement un environnement de test pour voir où un seul modèle suffit et où il vaut mieux créer immédiatement un agent IA personnalisé pour la charge de travail spécifique.