Die Entwicklung von Large Language Models (LLMs) von passiven Antwortsystemen hin zu autonomen Agenten erfordert eine grundlegende Veränderung der Lernparadigmen – von statischer Nachahmung hin zu anreizgetriebener Entscheidungsfindung. Dieser Übergang wird jedoch erheblich behindert durch den Mangel an skalierbaren Infrastrukturen, die hochwertige Interaktionssignale für eine effektive Politiklernung bereitstellen können. Um diesem Problem zu begegnen, stellen wir eine umfassende Methode vor, die systematisch die Vielfalt und Komplexität interaktiver Umgebungen skaliert. Unser Ansatz realisiert diese Skalierung durch die Behandlung dreier orthogonaler Dimensionen: (1) Komplexität: NexAU, ein flexibles Agentenframework, das die Erstellung komplexer Agentenhierarchien durch einfache Konfigurationen ermöglicht; (2) Vielfalt: NexA4A generiert automatisch vielfältige Agentenhierarchien aus natürlicher Sprache heraus, um unendliche Anwendungsbereiche abzudecken; und (3) Fidelity: NexGAP schließt die Lücke zwischen Simulation und Realität, indem dynamische reale Umgebungen zur Synthese fundierter Trajektorien integriert werden. Wir trainieren Nex-N1 auf den durch unsere Infrastruktur geschaffenen vielfältigen und komplexen interaktiven Umgebungen. Empirische Ergebnisse auf Benchmarks wie SWE-bench und tau2 zeigen, dass Nex-N1 konsistent SOTA-Open-Source-Modelle übertrifft und eine konkurrenzfähige Leistung gegenüber führenden proprietären Modellen bei komplexen agentenbasierten Aufgaben erzielt. Wir stellen die Nex-Ecosystem-Infrastruktur sowie die Modellgewichte öffentlich zur Verfügung, um weiterführende Forschung zu fördern.