Технічний контекст
Я покопався в тому, як зараз поширюють nex-agi/nex-n2-pro, і найкорисніше тут не в гарних гаслах, а в порозі входу. Модель уже висить на OpenRouter як nex-agi/nex-n2-pro:free, тобто для швидкої перевірки сценаріїв AI automation не потрібно одразу відкривати бюджет.
Це демка, і так, «платити потім» тут звучить буквально: безкоштовний доступ заявлений як тимчасовий. Але для мене це якраз зручний момент взяти свої реальні промпти, tool calling, structured outputs і подивитися, де модель тягне, а де починає пливти.
По залізу це не іграшка: 397B MoE, близько 17B активних параметрів, база на Qwen3.5-397B-A17B. Контекст заявлено до 262k токенів, є text + image input, function calling і режими reasoning, тож це вже не просто «ще одна LLM», а заготовка під нормальну AI integration в робочі пайплайни.
За бенчмарками цифри в них зухвалі: 80.8 на SWE-Bench Verified, 58.8 на SWE-Bench Pro, 75.3 на Terminal-Bench 2.1, 83.7 на BrowseComp. Я на такі числа завжди дивлюся з прищуром, бо це вендорська подача, а не незалежний аудит, але набір метрик хоча б показує, куди модель цілиться: код, агенти, браузинг, інструменти.
З живих відгуків картина теж знайома. Людям подобається якість на side-задачах, але поруч майже одразу спливають два старі друзі: нестабільність і швидкість. Тобто захват зрозумілий, назад правда шляху немає, але в прод я б таку штуку пускав тільки після своїх навантажувальних тестів.
Що це змінює для бізнесу та автоматизації
Перше: стало дешевше перевіряти гіпотези. Якщо ви хочете build AI automation для саппорту, внутрішнього пошуку, кодових агентів або обробки документів, безкоштовна демка прибирає зайву паузу перед тестом.
Друге: open-weight моделі все ближче до задач, де раніше без frontier API було сумно. Це вже впливає на AI architecture: десь можна піти від дорогого провайдера, а десь зібрати гібридну схему з fallback за якістю та ціною.
Програють тут ті, хто досі вибирає модель за скріншотом із бенчмарка. Виграють команди, які вміють міряти latency, tool reliability, вартість маршрутизації та тримати резервний контур. Ми в Nahornyi AI Lab якраз такі штуки й збираємо для клієнтів: не «магія AI», а робоча система зі зрозумілими обмеженнями.
Якщо у вас назріла AI implementation історія і ви хочете зрозуміти, чи потягне така модель ваш реальний процес, давайте розберемо його на шматки. У Nahornyi AI Lab я зазвичай швидко збираю тестовий контур, щоб стало видно, де достатньо однієї моделі, а де краще одразу створювати кастомного AI-агента під конкретне навантаження.