Nex-N2.6 byter ut Qwen mot GLM: Nex-AGIs nya agentmodell kostar mer och säger mindre

Nex-N2.6 lanserades på Nex-AGI:s eget kommersiella API den 10 november 2026 utan lanseringsinlägg, utan ett läsbart modellkort och utan en benchmarktabell. Det den däremot kom med är en ändring av basmodellen: där Nex-N2.5 Pro eftertränades på en Qwen3.5 mixture-of-experts-checkpoint, är Nex-N2.6 eftertränad på GLM-5.3-Flash, Z.ai:s multimodala modell med 320 miljarder parametrar, och resultatet bär omkring 321 miljarder parametrar självt. Den kom också till ett högre pris än modellen den ersätter – 0,12 USD per miljon indatatoken och 0,40 USD per miljon utdatatoken, mot Nex-N2.5 Pro:s 0,075 och 0,25 USD, en ökning med 60 % på båda sidor av mätaren. För en familj som har ägnat två utgåvor åt att argumentera för att den levererar frontier-agentbeteende till priser för öppna modeller, är en efterträdare som kostar mer och dokumenterar mindre det intressanta med den här lanseringen, inte själva lanseringen. Nex-N2.6 är en modell med en enda endpoint, och det är den operativa risk som beskrivs ovan. OrcaRouter har över 200 modeller bakom en OpenAI-kompatibel endpoint med automatisk failover, så den reservväg du håller för en omätt modell kan vara en routningsregel i stället för en andra integration – och när vi väl hostar en modell förs leverantörens listpris vidare utan påslag.

Vad finns det egentligen att se

Modellen är inte ett rykte. Den går att anropa just nu, serverad av Nex-AGI själva i fp8-precision, och slutpunkten rapporterar felfri status – 100 % drifttid under de fönster som katalogen mäter, cirka 35 utdatatokens per sekund och en p50-latens på 2,81 sekunder. Allt nedan kommer från den listningen snarare än från leverantören, eftersom leverantören inte har publicerat något annat:

• Pris — 0,12 USD för indata / 0,40 USD för utdata per miljon tokens, cacheläsningar till 0,024 USD. I listningen visas det som 20 % rabatt mot ett överstruket listpris på 0,15 / 0,50 USD, så betrakta det aktuella numret som ett introduktionspris med ett ej angivet utgångsdatum.

• Kontext — 262 144 token, samma serveringsfönster som alla modeller i N2.5-familjen, med maximal utdata på 235 929 token.

• Modalitet — text och bild in, text ut. Det finns ingen ljud- eller videokanal, och ingen bildgenerering.

• Resonemang — obligatoriskt, inte valfritt. Slutpunkten accepterar endast två inställningar för effort: high och medium, och standardvärdet är high. Du kan inte stänga av tänkandet för den här modellen.

• Verktygsstöd — function calling, forced tool choice, strukturerade utdata och logprobs stöds alla, vilket är rätt uppsättning för en agentmodell och det enda med den här utgåvan som är fullständigt specificerat.

• Vikter — listningen länkar till ett Hugging Face-förråd för Nex-N2.6. Det förrådet visar en autentiseringsprompt i stället för ett offentligt modellkort, så vikterna, konfigurationen och eventuella leverantörsutvärderingstabeller går inte att läsa vid publiceringstillfället.

Basbytet är den verkliga förändringen

Modellfamiljer itererar vanligtvis genom att skala samma efterträningsrecept. Nex-AGI gjorde något mer disruptivt: de ändrade grunden. Nex-N2.5 Pro, som släpptes den 8 september, byggdes på en Qwen3.5-bas med mixture-of-experts och 397 miljarder parametrar, med cirka 17 miljarder aktiva parametrar per token – arkitekturen och tokenizern är synbart Qwen-härledda, och det framgår av dess modellkort. Nex-N2.6 är byggd på GLM-5.3-Flash, en modell från ett annat labb, en annan tokenizer och en annan parameterbudget: Z.ai:s modellkort beskriver 320 miljarder totalt med 18 miljarder aktiva, byggd på en hybrid design med sparse och linjär attention i stället för Qwen-stacken.

Det spelar roll bortom kuriosan. Ett byte av basmodell innebär att verktygsanropsparsern, chattmallen, tokenizern och fellägena alla förändrades med den. Prompts som är anpassade mot Nex-N2.5 Pro — särskilt långa systemprompts som lär ut en specifik verktygsanropsdialekt, och allt som förlitar sig på Q​wens token-gränser för att kontrollera kostnaden — kan inte antas vara överförbara. Det enda beteendepåståendet som Nex-AGI gör handlar just om detta gränssnitt: modellen, säger man, minskar repetitivt resonemang och följer de verktyg som finns i den aktuella miljön mer noggrant. Det är en rimlig sak att förbättra när man byter bas till en modell som själv har anpassats för agentiskt arbete, och det är också precis den typen av påstående som bara syns i ens egna körningsspår, inte i en benchmarktabell. Rapporterat av leverantören, inte reproducerat och formulerat i en enda mening.

Andra ordningens effekt är kostnadsförutsägbarhet. Nex-N2.5 Pro kunde köras med resonemang helt inaktiverat, vilket gjorde det billigt för korta, mekaniska turer. Nex-N2.6 kan inte det. Varje anrop resonerar, som standard med hög ansträngningsnivå. I en agentloop som gör fyrtio små verktygsanrop för att hitta en fil kommer den skillnaden i standardbeteende att påverka din räkning mer än vad den 60-procentiga rubriksiffran gör.

En efterträdare som kostar 60 % mer

Prissättningens riktning är värd att stanna upp vid, eftersom den vänder på den vanliga generationsberättelsen. Per miljon tokens: Nex-N2.5 Pro till $0.075 in / $0.25 ut, Nex-N2.6 till $0.12 in / $0.40 ut. Samma kontextfönster. Samma modalitet. En nyare modell från samma labb, på en mindre bas, till 1,6 gånger priset.

Kör det genom en realistisk agentarbetsbelastning – tio miljoner indatatokens och två miljoner utdatatokens per månad, vilket motsvarar en måttlig kodningsagent i ett upptaget team – och siffrorna är 1,20 USD plus 0,80 USD, alltså 2,00 USD i månaden på Nex-N2.6. Samma arbetsbelastning på Nex-N2.5 Pro är 0,75 USD plus 0,50 USD, eller 1,25 USD. Båda är avrundningsfel jämfört med frontier-modellerna. Det är den ärliga tolkningen: Nex-N2.6 är dyrare än sin föregångare och kostar fortfarande ungefär en sextondel av ett flaggskepp, så prishöjningen är en signal om positionering snarare än ett budgetproblem.

Där ökningen verkligen biter är vid volym, och där det obligatoriska resonemanget biter är i svansen. En modell som alltid tänker med hög ansträngning gör av med utdatatoken som du inte bad om, och $0,40 per miljon utdatatoken i en resonemangstung slinga är en annan siffra än $0,40 för korta svar. Mät token per slutförd uppgift, inte pris per token, innan du drar några slutsatser.

En strukturell kommentar om hur dessa priser rör sig: en gateway som för vidare leverantörens listpris med 0 % påslag har ingen separat prislista att stämma av, så en leverantörsprissänkning eller att en rabatt löper ut syns samma dag i stället för vid nästa avtalsförnyelse. OrcaRouter fungerar så. Det är också rätt plats att ärligt säga vad vi inte har — ingen Nex-AGI-checkpoint finns i OrcaRouter-katalogen i dag, så Nex-N2.6 är en modell som du anropar direkt från en leverantör till ett pris. Den där formen med en enda leverantör är den faktiska operativa risken i den här utgåvan, och det är värt att planera för den även om du aldrig använder vår produkt: en modell med en enda slutpunkt, inga publicerade vikter och ingen andra värd har ingenstans att växla över till.

Bevisgapet är den del som ska räknas in i priset.

Nex-AGI:s tidigare släpp kom med en fullständig apparat: en leverantörssajt med benchmarkdiagram, ett Hugging Face-kort med text- och multimodala tabeller som jämförde familjen mot Claude Opus 5, GPT-5.6 Sol, Kimi-K3 och Qwen3.8-Max, samt ett dokumenterat serveringsrecept på åtta H100:or. Nex-N2.6 kom med ett stycke.

Kontrollera vad som saknas, och det är en konsekvent lista. Leverantörens egen webbplats gör fortfarande reklam för Nex-N2.5-familjen och nämner inte N2.6 i någon form som vi kunde ladda. GitHub-organisationen har repositorier för Nex-N2.5, NexRT och NexAU-agentramverket, och inga för N2.6. ModelScope returnerar ingen post för checkpointen. Hugging Face-repositoriet som anges i listningen är inte offentligt läsbart. Det finns ingen post på Artificial Analysis, så det finns ingen oberoende poäng alls – inte ens en svag, ingen. Vid publiceringen består den samlade offentliga evidensbasen för den här modellen av ett pris, en kontextlängd, en modalitet, ett parameterantal och en mening om positionering.

Det är inte samma sak som en dålig modell. Det är en modell vars påståenden du inte kan kontrollera, från ett labb som tidigare har levererat kontrollerna. Rätt hållning är den du skulle inta gentemot vilket omätt beroende som helst: prova den på arbete som du själv kan bedöma, behåll den tidigare modellen inkopplad som reserv och flytta inte en produktionsväg till den bara för att versionsnumret har ökat.

Vem ska flytta på sig, och vem ska vänta?

Det finns ett verkligt argument för att byta nu, och det är snävt. Om din agent-harness lägger sin budget på att kämpa mot modellen i stället för mot uppgiften – läser om samma fil, härleder en slutsats den redan har kommit fram till på nytt eller skickar verktygsanrop i en dialekt som ditt schema avvisar – då är en modell som uttryckligen är finjusterad för att minska repetitivt resonemang och följa de tillgängliga verktygen direkt riktad mot ditt problem, och för $0.12/$0.40 kostar experimentet nästan ingenting att köra. Bildinmatning plus funktionsanrop i en och samma endpoint gör den också användbar för skärmbildsdriven QA utan en andra modell i loopen.

Argumenten för att vänta är bredare. Om din arbetsbelastning redan fungerar på Nex-N2.5 Pro är själva basbytet en migrering, och du skulle göra det för en modell som kostar mer per token, inte kan köras med resonemang avstängt, inte kan laddas ned och inte har någon publicerad poäng. Det finns ännu inga bevis för att N2.6 är bättre på något annat än de två beteenden som dess författare namnger.

Vad som skulle ändra bilden, i ungefärlig ordning efter användbarhet: att modellkortet inleds med egna benchmarktabeller, att en första oberoende poäng dyker upp på en offentlig leaderboard, att vikterna faktiskt publiceras under en licens du kan använda, och att en andra leverantör hostar den så att risken med en enda slutpunkt försvinner. Tills minst två av dessa inträffar är Nex-N2.6 ett lovande omätt alternativ snarare än en rekommenderad uppgradering – vilket, med tanke på prisökningen, är hela historien.

Hur basbytet ser ut på papper

Jämförelsen som spelar roll är inte Nex-N2.6 mot en frontier-modell. Det är Nex-N2.6 mot den checkpoint den ersätter, eftersom det är den migrering som alla som redan använder den här familjen uppmanas att göra.

Läser man igenom listan är mönstret en modell som blev mindre, dyrare, mindre konfigurerbar och mindre granskningsbar i ett enda steg. Det är inte automatiskt en sämre affär – en bas med 321 miljarder parametrar som tränats för agentisk verktygsanvändning kan slå en med 397 miljarder parametrar som tränats för något annat, och priset per token är litet i absoluta tal. Men det är en avvägning, och leverantören har inte publicerat den jämförelse som skulle göra det möjligt för någon att bedöma den. Tills det ändras är basbytet storyn och benchmarktabellen det saknade kapitlet.