在可执行代理训练数据的扩展中，传统的基于基础设施的方法往往受到限制，这种方法将任务生成与预定义工具、代码库或技能图谱绑定在一起。每当需要扩展覆盖范围时，往往需要手动扩展基础设施，而每个新领域又需要一个定制化的管道，最终导致的任务分布往往反映的是基础设施的便利性，而非真实世界的需求。
我们提出了NexForge，这是一种需求优先的框架，能够将自由形式的能力需求转化为可执行的代理训练数据。
NexForge首先进行基于研究的需求发现，以识别代表性的任务形式、现实场景及其相对普遍性。接着，它应用分布感知的任务编译，自动检索或构建实现每个任务所需的文件、代码库、依赖项以及运行时配置，随后收集教师回滚和轨迹蒸馏。
使用同一管道，NexForge无需任何特定领域的基础设施，便可生成3600个终端任务和2000个办公任务，显著提升Qwen3.5-35B-A3B Base在Terminal-Bench 2.0上的表现，从22.5%提升至52.0%，在GDPval上从813提升至1338 Elo；扩展至43200个终端任务时，表现达到58.4%，超越Claude Opus 4.6。
进一步扩展后，NexForge合成的数据为Nex-N2系列公共代理模型的训练提供了支持，将Qwen3.5-35B-A3B的表现提升至75.3%（Terminal-Bench 2.1）和1585 Elo（GDPval），实现了开源性能的最新突破，并超越了多个前沿的专有系统。Nex-N2模型可在 Nex官网 获取。
博主点评： NexForge的需求优先合成方法有效解决了传统基于基础设施的局限性，通过自动化和分布感知的方式生成高质量的训练数据。这一创新在提升模型性能的同时，也为开源代理模型的发展奠定了基础，具有重要的实用价值和前瞻性。