يُعدّ تطور النماذج اللغوية الكبيرة (LLMs) من كونها استجابات سلبية إلى كونها وكالات مستقلة ضرورةً لتحول جوهري في نماذج التعلم — من التقليد الثابت إلى اتخاذ القرار المُحفّز بالحوافز. ومع ذلك، يُعاني هذا الانتقال من عائق كبير يتمثل في غياب البنية التحتية القابلة للتوسع التي تستطيع بناء إشارات تفاعل عالية الجودة لدعم التعلم الفعّال للسياسات. ولحل هذه المشكلة، نقدّم طريقة شاملة مصممة لتعميق تنوع وتعقيد البيئات التفاعلية بشكل منهجي. تحقّق هذه الطريقة التوسع من خلال معالجة ثلاثة أبعاد متعامدة: (1) التعقيد: NexAU، وهي إطار وكالة مرنة يدعم بناء هياكل وكالات معقدة عبر إعدادات بسيطة؛ (2) التنوّع: NexA4A التي تولّد تلقائيًا هياكل وكالات متنوعة من اللغة الطبيعية لتغطية مجالات غير منتهية؛ و(3) الدقة: NexGAP التي تسدّ الفجوة بين المحاكاة والواقع الحقيقي من خلال دمج بيئات واقعية ديناميكية ل synthetize مسارات مبنية على أساس واقعي. تم تدريب نموذج Nex-N1 على البيئات التفاعلية المتنوعة والمعقدة التي أنشأها هيكلنا التحتي. وأظهرت النتائج التجريبية على معايير مثل SWE-bench وtau2 أن Nex-N1 يتفوّق باستمرار على النماذج المفتوحة المصدر الرائدة (SOTA)، ويحقق أداءً تنافسيًا مع النماذج الخاصة الرائدة في المهام المعقدة ذات الطابع الوكالي. ونفتح المصدر الكلي لنظام Nex ووزن النموذج لتمكين الأبحاث المستقبلية.