AIに調査や修正を任せたのに、同じ説明を繰り返して終わらない。実行できない道具の名前を返し、作業が止まる。は、こうしたエージェント運用の困りごとを改善対象にしたモデルです。2026年11月12日の確認時点で、公開された重みとAPIの両方を確認できました。この記事では、開発元の改善報告を読み解き、日本語の業務で採用を判断するための比較手順まで整理します。
開発元が報告する100%は、内部評価で指定されたツールの範囲を守ったという指標です。引数の正しさ、作業完了、安全性、日本語での精度を保証しません。本記事ではモデルの生成・速度・品質を実測していません。
何が新しいのか:推論の反復とツール選択を改善対象に
Nex-N2.6はを基盤とし、約321B、つまり約3,210億パラメータを持ちます。公開配布物はの重みで、Hugging Faceのライセンス表示はApache-2.0です。入力や出力の機能だけでなく、長い作業の途中で進めなくなる場面を減らすことが今回の焦点です。公式モデルカードで配布形式と説明を確認できます。
公開日の読み方にも注意が必要です。OpenRouterのAPI登録日時は2026年11月10日03:46:19 UTC、日本時間では同日12:46:19です。11月12日朝の確認では登録から約43時間が経過しています。一方、重みのアップロード履歴は11月10日、説明の更新は11月11日にありますが、それだけではリポジトリが一般公開された時刻を確定できません。「今朝、すべてが初公開された」とは扱いません。API登録情報と重みの更新履歴を分けて確認しました。
「反復90%減」と「ツール選択100%」をどう読むか
| 開発元の内部評価 | Nex-N2.5-Pro | Nex-N2.6 | 読み取れる範囲 |
|---|---|---|---|
| 推論の反復率 | 16.0% | 1.6% | 既知の失敗地点を再評価した結果 |
| 呼び出しを含む応答のツール一覧への準拠 | 80.5% | 100.0% | 宣言した道具の名前を使ったか |
出典は公式リポジトリの評価説明です。反復率の16.0%から1.6%への変化は、14.4ポイントの低下であり、相対的には90%減です。ただし、これは開発元が実際に遭遇した問題をもとにしたの結果です。手前までの会話とツール結果を固定し、次の応答を調べています。あなたの会社の作業を一日任せたときの失敗率が90%減る、という予測には使えません。
は、たとえば「在庫を読む」道具しか渡していないのに、存在しない「注文を確定する」道具を呼ばないか、という評価です。正しい道具を選んでも、商品番号を取り違えたり、取得結果を誤読したりすれば業務は失敗します。モデルが呼び出しを提案する段階と、アプリが権限を確認して実行する段階を分ける設計は引き続き必要です。
数字の良い項目だけを抜き出さないことも大切です。同じ公式表ではが前版の82.2から83.0へ上がる一方、AutomationBenchはNex-N2.6の45.7に対して基盤モデルが48.8です。全面的な優位を示す表ではありません。また、開発元はこれらをモデル単位の評価と説明しており、配布されたFP8版だけを独立に再評価した数値ではないと注記しています。
日本の現場なら、どの仕事で試す価値があるか
向いているかを確かめたいのは、単発の文章生成よりも、検索やファイル確認を何度か挟む仕事です。たとえば社内手順書の矛盾を探して根拠を返す、テストが失敗した理由を調べて小さな修正案を出す、複数画面から情報を集めて転記候補を作る、といった用途です。以下は編集部による検証案であり、Nex-N2.6で成功した事例ではありません。
| 検証する仕事 | 用意する条件 | 完了と見なす条件 |
|---|---|---|
| 手順書の照合 | 匿名化した文書3件。検索と閲覧だけを許可 | 矛盾の位置と根拠を示す。記載がなければ不明と答える |
| テスト失敗の調査 | 練習用リポジトリと再現できる失敗1件 | 原因と最小修正案を提示。同じ失敗を繰り返さない |
| 画面からの転記候補作成 | 架空の管理画面。更新や送信は許可しない | 指定項目を正しく抽出し、元の画面で人が照合できる |
日本語では、助詞や敬語が自然かだけでなく、品番・部署名・日付・否定表現を正確に扱えるかを見ます。「発注しない」「まだ承認されていない」の読み違いは、文章が流暢でも重大な失敗です。今回確認した一次資料からは、日本語業務の専用評価や国内企業での導入成果までは確認できませんでした。日本語の課題を自分で用意する必要があります。
APIと自社運用:使い始める条件は大きく違う
| 経路 | 確認した条件 | 検討時の注意 |
|---|---|---|
| OpenRouter | 入力100万トークン0.12米ドル、出力0.40米ドル。コンテキスト262,144トークン | 確認時の表示料金。課金条件・提供元・対応設定を再確認 |
| MOSS API | 公式資料は期間限定無料、有効なAPIキーが必要と説明 | 無料の終了時期、日本からの登録・認証・利用可否は別途確認 |
| 公開重みを自社で動かす | FP8重みを入手し、対応する推論環境を構築 | API料金がなくても機材・電力・保守の費用は必要 |
料金とコンテキストはOpenRouterのエンドポイント情報、MOSSの条件は日本語の公式モデル説明を2026年11月12日に確認しました。MOSSには日本語の資料がありますが、それ自体はモデルの日本語品質の保証ではありません。この記事の作業では新しいAPI契約や課金を行っておらず、日本からのアカウント作成も実証していません。
API経由で少量を試す場合は、まず利用資格とデータの取り扱いを確認し、機密のない課題から始めます。推論設定と出力上限を明示し、料金の上限を設け、最初は外部ツールを実行させず回答だけを見る方法が取りやすいでしょう。画像・動画の対応や出力上限は提供経路によって異なります。基盤モデル、公開重み、各APIの数値を混ぜて「このモデルは全部できる」と判断しないことが重要です。
ローカルLLMとして動く?「重み公開」と「Macで手軽」は別
公開ファイル一覧の容量は約328GBです。パラメータ数に1バイトを掛けるだけでも約321GBになるため、軽量なノートPC向けモデルではありません。実行時には重み以外にや作業領域も必要で、ファイル容量をそのまま必要メモリと見なすこともできません。配布ファイル一覧を見てから、保存先と実行環境を考えましょう。
当サイトがGemma 4を比較した環境最終更新日: はM2 Ultra・192GiBです。このメモリ容量に、今回のFP8重みをすべて載せることはできません。ただし、別の低ビット量子化やメモリ外への退避まで含めて「あらゆる方法で動かない」と断定するものではありません。本記事では、そのような変換物の互換性や実用速度を確認していません。
公式の案内は、GLM-5.3-Flashを扱えるなどの環境で、機材に合うFP8構成を選ぶ流れです。SGLangの対応ガイドは複数のサーバー向けハードウェアを扱います。基盤モデルの起動例をNex-N2.6の測定結果と読み替えず、同梱のトークナイザー、画像処理設定、チャットテンプレートを使う必要があります。Ollamaへ名前を指定するだけで動く手順は、今回確認した公式資料にはありません。
試す前に作る比較表:賢さと「止まらず完了」を分ける
まず匿名化した日本語の課題を10件程度用意し、今のモデルと同じ条件で比べます。これは小さな試行を始めるための編集部提案で、10件で統計的に優劣を確定できるという意味ではありません。道具の説明、会話の履歴、時間制限、再試行回数をそろえ、課題ごとに成功条件を先に書きます。モデルを替えるたびに問題や合格基準も変えてしまうと比較できません。
特にを省略しないようにします。公開重みのチャットテンプレートはlow・high・maxを扱い、既定はmaxです。これは公開重み側の設定であり、APIが受け付ける値と同じとは限りません。推論に長く時間を掛ける条件と短い条件を混ぜず、出力の打ち切りも記録します。低い出力上限による未完了と、反復による未完了を分ける視点は、先日のGemma 4比較でも重要でした。
- 1まずツールなしで、課題の理解と日本語の回答を確かめる。
- 2次に検索・閲覧だけを許可し、呼び出した道具と引数を記録する。
- 3同じ地点で失敗した課題は、直前までの情報を固定して再試行する。これは作業全体の再実行とは別集計にする。
- 4最後に作業全体を最初から試し、完了率、所要時間、使用トークン、人の修正量を比較する。
- 5一覧にない道具の呼び出し、許可外の更新、時間・費用の上限超過は、アプリ側で止める。
匿名化した業務例から、モデル比較用の課題を10件提案してください。各課題に入力、利用可能な道具、禁止操作、完了条件、誤りの例を付けてください。評価項目は「内容の正しさ」「一覧にない道具の呼び出し」「引数の正しさ」「反復」「出力上限による中断」「全体の完了」を分けてください。まだ実行していない結果はすべて空欄にしてください。作業全体の試行と、失敗直前からの再試行を同じ成功率に混ぜないでください。空の比較記録シートと指示文を用意しました。モデルへの接続やツール実行を行うプログラムではありません。必要な欄を埋め、自社の合格基準を決めるための教材です。今回確認したのは公開仕様・配布ファイル・テンプレート・教材の内容であり、モデル本体のダウンロード、API推論、性能の追試はしていません。
採用判断で残る限界
Nex-N2.6は「長い作業でどこが詰まるか」を考える題材として有用です。一方、反復を減らしても誤答は残り得ますし、ツール名が正しくても操作が妥当とは限りません。公開重みを使うなら自社環境の構築能力、APIを使うならデータの送信先と契約条件、日本語で使うなら実際の課題での評価が必要です。開発元の数字は試す理由になっても、本番を任せる結論にはなりません。
ここまでの要点は、モデルの更新と、周囲の制御・測定の改善を一緒に考えることです。まず「反復」「使えない道具」「打ち切り」「業務の未完了」を別々に記録すれば、今の仕組みのどこを直すべきかが見えてきます。続編は読者の反応や利用条件の変化に応じて追加していきます。