Nex N2: De open-source agentische AI die de moeite waard is om te volgen
Een Chinees lab waar ik nog nooit van had gehoord, dropte op 2 juni 2026 een open-weight model met 397 miljard parameters, beweerde dat het Claude Opus 4.7 versloeg op een coding benchmark, en gaf het gratis weg onder Apache 2.0. Mijn eerste instinct was hetzelfde als elke keer wanneer er een nieuwe "GPT-killer" in mijn feed verschijnt: met mijn ogen rollen en doorschuiven.
Toen las ik de model card zorgvuldiger. Nex N2 — het open-source agentische AI-model van een team genaamd Nex AGI — presenteert zich niet als een slimmere chatbot. Het is gebouwd rond iets specifiekers: het samenvoegen van codering, zoeken, tool-gebruik, debugging en zelfverificatie in één doorlopende redeneerloop in plaats van ze als aparte vaardigheden erop te schroeven. Dat is een oprecht andere ontwerpkeuze, en het is het deel dat de aandacht verdient.
Dus dit is wat deze post daadwerkelijk is. Ik heb Nex N2 niet in productie gedraaid tegen de codebase van een betalende klant, en ik ga niet doen alsof ik dat heb gedaan. Wat ik wel heb gedaan is de gepubliceerde specificaties lezen, de officiële benchmark-claims, de onafhankelijke reviews en de praktische write-ups — en dat allemaal filteren door jaren ervaring met het lokaal draaien van open modellen en het zien van benchmark-cijfers die uit elkaar vallen zodra echt werk erop losgelaten wordt. De kopcijfers van de benchmarks zien er ongelooflijk uit. De onafhankelijke realiteit is gecompliceerder. Beide dingen zijn tegelijk waar, en je moet begrijpen waarom voordat je dit ding aansluit op iets dat ertoe doet.
Wat Nex N2 eigenlijk is (en waarom "agentisch" hier geen marketing is)
De meeste modellen die je hebt gebruikt behandelen agentisch gedrag als een bijzaak. Het basismodel leert taal, en dan wikkelt iemand het in een stelling — een loop die zegt "roep nu deze tool aan, lees nu het resultaat, beslis nu wat er volgt." Het redeneren en het handelen leven in aparte dozen, aan elkaar genaaid door prompt engineering en een framework zoals LangChain of de Claude Agent SDK.
Nex N2 keert dat om. Nex AGI noemt het Agentic Thinking — één gesloten loop waarin het model een vereiste begrijpt, de taak plant, de implementatie schrijft, de feedback van de omgeving leest, evalueert of het werkte, debugt en itereert. Dat gebeurt allemaal binnen één redeneerparadigma in plaats van over een keten van aparte aanroepen. Het model wordt niet verteld om te handelen; handelen is onderdeel van hoe het denkt.
Er zijn twee onderdelen van dat framework die het benoemen waard zijn. Adaptive Thinking laat het model zelf beslissen wanneer het diep moet redeneren en wanneer het gewoon moet doorgaan — een simpel shell-commando direct uitvoeren, maar vertragen en hard nadenken voor een beslissing die duur is om ongedaan te maken. Coherent Thinking houdt één consistente redeneerstijl aan over algemene vragen en agentische taken, zodat het model niet heen en weer schakelt tussen "praatgrage assistent" en "tool-aanroepende robot" afhankelijk van wat je vraagt.
Waarom doet dit ertoe voor jou? Omdat de workflows die de meeste agents breken de gemixte zijn. De taak die 40% code schrijven is, 30% documentatie zoeken, 20% terminal-commando's uitvoeren en 10% je eigen fout opvangen — en een dozijn keer tussen die modi wisselen voordat het klaar is. Een model met redeneren en handelen samengesmolten in één loop heeft een structurele kans daarop. Een model met een eropgeschroefd agent-raamwerk verliest doorgaans de draad.
Dat is de theorie. De specificaties vertellen ons of het lab daadwerkelijk iets heeft gebouwd dat dit kan uitvoeren.
Mini vs Pro: de twee modellen, en welke op jouw hardware draait
Nex N2 wordt geleverd in twee formaten, beide met open weights en gekwantiseerde versies voor lokale inzet.
Nex N2 Mini is een Mixture-of-Experts model met 35 miljard parameters (een Qwen3.5-35B-A3B basis) met ruwweg 3 miljard actieve parameters per token. Het MoE-ontwerp is het hele punt van het "actieve parameters"-getal — het model bevat 35B aan totale kennis maar activeert slechts een kleine expert-subset bij elke token, dus het draait veel lichter dan een dense 35B-model zou doen. Met een gekwantiseerde build is Mini de variant die je realistisch op een werkstation met een degelijke GPU kunt trekken en offline kunt draaien.
Nex N2 Pro is het vlaggenschip: een MoE met 397 miljard parameters gebouwd op Qwen3.5-397B-A17B, dat 17 miljard parameters per token activeert. Het neemt zowel tekst- als beeldinvoer, produceert tekstuitvoer, en ondersteunt redeneren, function calling en gestructureerde outputs — de complete toolkit die je zou willen voor een echte agentische opzet. Het kopcijfer dat de aandacht trekt is het contextvenster.
Het contextvenster van Nex N2 Pro is 262.000 tokens, met output tot 256.000 tokens. Dat is genoeg om een substantiële codebase, een lange taakgeschiedenis en een stapel documentatie tegelijkertijd in het werkgeheugen te houden — precies wat een agent voor lange horizons nodig heeft wanneer hij twaalf stappen in een build zit en het zich niet kan veroorloven stap één te vergeten.
Eén detail dat de outputs van het model onthullen: het produceert resultaten in GPT-stijl, een vingerafdruk van gedistilleerde training op GPT-achtige modellen. Je merkt het in de UI die het genereert en de manier waarop het code structureert. Geen fout, gewoon een kenmerk — en een nuttig kenmerk wanneer je probeert te achterhalen waar de instincten van een model vandaan komen. Als je tijd hebt besteed aan hoe verschillende open modellen zich gedragen, is dit hetzelfde soort afstammingsherkenning waar ik op steunde in mijn DeepSeek V4 Pro open-source review, waar de trainingsherkomst stilletjes alles stroomafwaarts vormgeeft.
De Qwen-afstamming doet er ook toe. Bouwen op Alibaba's Qwen3.5-basis betekent dat Nex N2 een beproefde fundering erft in plaats van helemaal opnieuw te beginnen — wat deels verklaart waarom een lab waar de meeste mensen nooit van hebben gehoord zo snel iets zo capabels kon uitbrengen.
Specificaties zijn beloftes. Benchmarks zijn waar de beloftes worden getest — en waar het verhaal in tweeën splitst.
De benchmark-claims: wat Nex AGI zegt dat Nex N2 kan
Laat me eerst de officiële cijfers presenteren, duidelijk toegeschreven aan het team, want ze zijn de reden dat iemand überhaupt over dit model praat. Dit zijn de door Nex AGI gerapporteerde resultaten, geen onafhankelijke verificatie — houd dat onderscheid in gedachten.
Op Terminal-Bench 2.1, die test hoe goed een model daadwerkelijk kan opereren in een terminal en echte engineeringtaken kan voltooien, scoort Nex N2 Pro naar verluidt 75,3 — boven Claude Opus 4.7 op 69,7, DeepSeek-V4-Pro op 72,0 en GLM-5.1 op 58,7. Voor een open-weight model om de toppositie op terminal-uitvoering te claimen tegenover Opus is het soort resultaat dat gescreenshot en gedeeld wordt.
Op SWE-Bench Pro, de moeilijkere variant van de software-engineering benchmark die een model vraagt om echte bugs in echte repositories te fixen, scoort Nex N2 Pro naar verluidt 58,8 — nipt boven GPT-5.5 op 58,6. Op de meer gebruikelijke SWE-Bench Verified rapporteert het team 80,8, wat stevig in frontier-territorium zit.
Nog een paar van het officiële blad. Op GDPval — een evaluatie met lange horizon en economische grondslag die scoort hoe goed een model realistisch meerstaps professioneel werk afhandelt — komt Nex N2 Pro naar verluidt uit op ongeveer 1585. Op browsergebaseerde agentische taken claimt Nex AGI resultaten boven DeepSeek V4 Pro en GLM 5.1. Op tool-calling evaluaties rapporteert het team sterke cijfers over de hele linie.
Op het eerste gezicht is dit een gratis, open-weight, lokaal draaibaar model dat de strijd aangaat met de duurste propriëtaire systemen op de markt. Als je de open-source golf hebt gevolgd — dezelfde golf die ik behandelde toen Kimi K2.6 landde als een serieus open codeermodel — weet je dat dit het traject is dat iedereen voorspelde. De kloof tussen open en gesloten wordt steeds kleiner.
Hier is het addertje dat niemand screenshoт.
Waarom onafhankelijke tests Nex N2 veel lager rangschikken dan de koppen
Benchmark-cijfers van het lab dat het model heeft gebouwd zijn marketing totdat iemand anders ze reproduceert. En wanneer onafhankelijke evaluatoren Nex N2 door hardere, real-world omstandigheden halen, verandert het verhaal.
Het patroon dat naar voren kwam in onafhankelijke tests: Nex N2 rangschikt rond #12 overall — nergens in de buurt van de top-vijf plaatsing die de officiële benchmarks impliceren. De prestaties zijn consistent, maar consistent goed is niet hetzelfde als categorie-leidend. Onder de gecontroleerde omstandigheden van een gepubliceerde benchmark schittert het model. In rommeligere, real-world evaluaties met adversariële taken en randgevallen, zakt het naar het bovenste midden van het peloton.
Dit is geen Nex-specifiek schandaal. Het is het meest betrouwbare patroon in de hele model-releasecyclus, en ik heb het een dozijn keer zien gebeuren. Labs rapporteren scores onder hun best-case opzet, met hun prompts, op hun selectie van taken. Dan ontmoet het model je daadwerkelijke workflow — je vreemde repostructuur, je half-gedocumenteerde interne API, je dubbelzinnige ticket — en het getal dat ertoe deed op de slide doet er niet meer toe. Ik heb precies deze kloof tussen leaderboard-scores en echt codeergedrag uitgediept over meerdere modellen in mijn DeepSeek V4, GLM5, en autonomie-analyse, en de les daar is hier schoon toepasbaar: vertrouw de onafhankelijke runs, niet het lanceringsdeck.
Er is een tweede, structurele kanttekening. Nex N2 is traag. Diezelfde Agentic Thinking-loop — het plannen, het zelfcontroleren, het itereren tijdens generatie — is precies wat het model doordacht maakt, en het is ook wat het zijn tijd laat nemen. Elke zelfverificatiepass zijn meer tokens die gegenereerd worden voordat je een antwoord krijgt. Wanneer het model redeneert, plant, debugt en zijn eigen werk midden in de generatie hercontroleert, wacht je. Voor een interactieve codeersessie waar je in twee seconden een antwoord wilt, is die latentie een echte belasting. Voor een nachtelijke autonome build waar je om correctheid geeft boven snelheid, is het een eerlijke ruil. Weet welke je draait voordat je het model beoordeelt.
Dus hoe beslis je eigenlijk of dit ding je tijd waard is? Je kijkt naar wat het bouwt.
Wat Nex N2 bouwt: de demo's die standhouden en die dat niet doen
Het eerlijkste signaal over elk code-generatiemodel is niet de benchmark — het is wat het produceert wanneer je het een echt bouwverzoek geeft. De demonstraties die circuleren voor Nex N2 vertellen een verfrissend gemengd verhaal, wat precies is wat ze geloofwaardig maakt.
Aan de pluskant: Nex N2 genereerde een functionele front-end UI met dynamische elementen en animaties die er oprecht gepolijst uitzag — de GPT-stijl vingerafdruk die doorscheen in schone, moderne styling. Het bouwde een volledig functioneel tower defence-spel, het soort stateful, interactief project dat de zwaktes van een model snel blootlegt als de logica wankel is. Het produceerde een SVG-gebaseerde lavalamp-simulatie met echte fysica en beweging, geen statische gradiënt die doet alsof het animatie is. Wanneer je het gedetailleerde, beschrijvende prompts en element-specifieke verzoeken voert, past het zich goed aan en respecteert het de specifics.
Het meest indrukwekkend, en het meest veelzeggend: Nex N2 bouwde besturingssysteem-klonen — Windows 95 en Mac OS — compleet met startmenu's, werkende apps, een paint-tool, een rekenmachine, een browser en een MS-DOS-prompt. Dat is een enorme hoeveelheid gecoördineerde status en UI om coherent te genereren.
Maar de scheuren verschijnen precies waar je ze zou verwachten. De bovenste balk van de Mac OS-kloon was niet-functioneel — de elementen renderden prachtig en deden niets. Een gevraagd racespel kwam terug met niet-werkende functies — de stelling was er, het gedrag niet. Dit is de signatuur van een sterk-maar-niet-foutloos codemodel: het spijkert de structuur en het oppervlak vast, en laat dan de bedrading vallen op de moeilijkere interactieve onderdelen. Je krijgt iets dat er 95% af uitziet en functioneel 70% af is, en die laatste kloof dichten is aan jou.
Die kloof is het hele spel wanneer je een codeermodel evalueert voor echt werk. Een demo die er af uitziet is makkelijk. Een demo die daadwerkelijk af is, is het moeilijke deel, en Nex N2 — zoals bijna elk model op dit niveau — brengt je het grootste deel van de weg en vraagt je de klus af te maken. Als je een dieper gevoel wilt krijgen van hoe ik "ziet er af uit" van "is af" scheid bij het beoordelen van AI-gebouwde interfaces, heb ik precies dat onderscheid uitgewerkt in mijn Claude design-naar-website workflow review.
Als je tot hier hebt gelezen, weet je al meer over Nex N2 dan de meeste mensen die de benchmark-screenshots delen. Hier is hoe je het daadwerkelijk in handen krijgt.
Hoe je Nex N2 nu kunt proberen (gratis, drie manieren)
Je hoeft niemands woord ervoor te nemen — inclusief het mijne. Nex N2 is open en toegankelijk genoeg dat je vanmiddag je eigen mening kunt vormen. Hier zijn de drie realistische paden, geordend van minst naar meest moeite.
1. OpenRouter (geen setup, gratis tier). Nex N2 Pro is beschikbaar op OpenRouter, en tijdens het lanceringvenster van juni 2026 staat het op de gratis tier voor $0,000 per miljoen input- en output-tokens. Als je al modellen via OpenRouter routeert, is dit een model-ID swap van één regel. Ik heb dit exacte gateway-patroon doorlopen — je bestaande tooling naar OpenRouter wijzen en het model eronder verwisselen — in mijn Claude Code met OpenRouter gids, en dezelfde setup is hier van toepassing. Wijs je agent naar nex-agi/nex-n2-pro:free en ga aan de slag.
2. Gehoste providers (gratis lanceerpromoties). Naast OpenRouter hebben verschillende inference-providers — SiliconFlow en anderen — Nex N2 Pro opgepakt en gratis of onbeperkte toegang aangeboden tijdens het lanceringvenster. Het vlaggenschip werd gepromoot als gratis met onbeperkt gebruik voor een introductieperiode via benchmark- en evaluatieplatforms. Deze promoties zijn tijdgebonden, dus het "gratis onbeperkt"-venster duurt niet eeuwig — als je het Pro-model zonder te betalen wilt stresstesten, is nu het moment.
3. Lokale implementatie (Mini, gekwantiseerd). Dit is waar open weights hun waarde bewijzen. Zowel Mini als Pro hebben open weights en gekwantiseerde builds, en Nex N2 Mini is degene die realistisch op lokale hardware draait dankzij de 3B actieve parameters. Trek een gekwantiseerde GGUF of equivalent, laad het in LM Studio of Ollama, en je hebt een agentisch model dat volledig offline draait — geen API-sleutel, geen rate limit, geen data die je machine verlaat. Als je nog nooit een lokaal model hebt opgezet, behandelt mijn Gemma 4 lokale AI-setup in LM Studio exact dezelfde workflow stap voor stap; verwissel het modelbestand en het proces is identiek.
Een praktische opmerking over de gratis promoties: behandel ze als precies wat ze zijn. Gratis lanceringstoegang is een functie, geen toezegging. Bouw je workflow zodat deze niet afhankelijk is van een gratis tier die over drie weken verdampt — houd de lokale Mini-optie als je terugval, want die is voor altijd gratis onder Apache 2.0.
Die commercieel-gebruik clausule is het waard om even bij stil te staan, want het verandert de berekening volledig.
Het Apache 2.0-detail dat er echt toe doet voor bouwers
Hier is het deel waar elke solo-oprichter of klein bureau op moet letten. Nex N2 wordt geleverd onder Apache 2.0 — zowel Mini als Pro. Dat betekent dat je het commercieel kunt gebruiken, aanpassen, fine-tunen en zelf hosten zonder licentiekosten te betalen of iemands toestemming te vragen.
Vergelijk dat met de propriëtaire frontier. Opus en GPT-5.5 zijn buitengewoon, en ik betaal ervoor wanneer betrouwbaarheid niet onderhandelbaar is. Maar je bezit ze niet. Je toegang is een abonnement, je kosten schalen met gebruik, en je data stroomt door andermans servers. Voor een klantproject onder een strikte data-residency vereiste, of een product waar per-token kosten je marge zouden opeten, is een zelf-gehost Apache 2.0-model geen downgrade — het is de enige haalbare architectuur.
Dat is het echte verhaal onder het benchmark-drama. Of Nex N2 op #5 of #12 staat is bijna niet relevant. Een open-weight, commercieel gelicentieerd, agentisch model dat consistent goed is en op je eigen hardware draait, is een andere categorie van nuttig dan een propriëtair model dat marginaal beter is en volledig buiten je controle valt. Dezelfde logica dreef de migratie die ik documenteerde toen teams begonnen met het bouwen van serieuze workflows op gratis en open modellen in plaats van standaard de duurste optie te kiezen.
Waar Nex N2 past in je daadwerkelijke workflow
Laat me specifiek zijn over wie zich er druk om moet maken, want "veelbelovend open-source model" helpt niemand een beslissing te nemen.
Gebruik Nex N2 als je autonome, lange-horizon agentische workflows bouwt waar correctheid meer uitmaakt dan snelheid, je een groot contextvenster nodig hebt om een hele codebase vast te houden, je data-residency of kostenbeperking hebt die propriëtaire API's uitsluiten, of je een capabel model volledig offline wilt draaien. De samengesmolten redeneer-en-handelloop is een oprechte fit voor gemixte, meerstaps taken die eenvoudigere agents breken.
Grijp niet naar Nex N2 als je sub-seconde interactieve reacties nodig hebt (de zelfcontroleloop maakt het traag), je werk doet waar de bovenste 5% van capaciteit het verschil maakt tussen verschepen en niet, of je de "ziet er af uit, is niet af"-kloof niet kunt verdragen bij complexe interactieve componenten. Daarvoor verdient de propriëtaire frontier nog steeds zijn premium.
En wat het officiële leaderboard ook zegt, veranker je oordeel aan de onafhankelijke resultaten en je eigen tests. De #12-realiteit is nuttiger voor jou dan de top-vijf claim, want #12-maar-consistent-en-gratis-en-van-jou is een tool waar je daadwerkelijk een bedrijf op kunt bouwen.
Er is één vraag die het waard is om bij stil te staan terwijl je beslist of je vanavond de weights gaat pullen: als een model dat je volledig bezit en gratis draait je 85% van de weg naar frontier-capaciteit brengt, hoeveel is die laatste 15% — het deel dat je huurt, het deel dat zijn prijzen of voorwaarden kan wijzigen zonder het je te vragen — dan daadwerkelijk waard voor wat je aan het bouwen bent?
Veelgestelde vragen
Is Nex N2 echt gratis te gebruiken?
Ja — Nex N2 is open-weight onder de Apache 2.0-licentie, dus het is voor altijd gratis om te downloaden, zelf te hosten, aan te passen en commercieel te gebruiken. Daarbovenop werd Nex N2 Pro gratis aangeboden tijdens het lanceringvenster van juni 2026 via OpenRouter's gratis tier en verschillende gehoste providers, hoewel die promotievensters tijdbeperkt zijn.
Hoe verhoudt Nex N2 zich tot Claude Opus 4.7?
Op Nex AGI's eigen benchmarks scoort Nex N2 Pro naar verluidt 75,3 op Terminal-Bench 2.1 tegenover Opus 4.7's 69,7. Maar onafhankelijke tests rangschikken Nex N2 rond #12 overall, ruim onder de top tier waar Opus zit — behandel de directe benchmark-overwinningen dus met voorzichtigheid en vertrouw op onafhankelijke evaluaties.
Kan ik Nex N2 op mijn eigen computer draaien?
Ja, Nex N2 Mini is ontworpen om op lokale hardware te draaien. Het 35-miljard-parameter Mixture-of-Experts ontwerp met slechts 3 miljard actieve parameters, plus gekwantiseerde builds, laat het draaien op een capabele werkstation-GPU via tools zoals Ollama of LM Studio — volledig offline. Het 397B Pro-model heeft serieuze hardware of een gehoste provider nodig.
Waarom is Nex N2 trager dan andere modellen?
Nex N2 is traag omdat het redeneert, plant, debugt en zelfverifieert tijdens generatie in plaats van direct te antwoorden. Die iteratieve Agentic Thinking-loop produceert betrouwbaardere resultaten op lange horizon, maar genereert veel meer tokens voordat het een antwoord retourneert, wat een eerlijke ruil is voor autonoom werk en een echte belasting voor interactief coderen.
Wat maakt Nex N2 "agentisch" vergeleken met andere modellen?
Nex N2 smelt codering, zoeken, tool-gebruik, debugging en verificatie samen in één doorlopende redeneerloop in plaats van ze als een apart raamwerk erop te schroeven. Het Agentic Thinking-framework, met Adaptive en Coherent Thinking, laat redeneren en handelen plaatsvinden binnen hetzelfde paradigma — een structureel voordeel voor gemixte, meerstaps real-world workflows.
Laten we samenwerken
Op zoek naar het bouwen van AI-systemen, het automatiseren van workflows of het opschalen van je tech-infrastructuur? Ik help graag.
- Fiverr (maatwerk builds & integraties): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (enterprise-oplossingen): ramlit.com
- ColorPark (design & branding): colorpark.io
- xCyberSecurity (beveiligingsdiensten): xcybersecurity.io
