대규모 언어 모델(LLM)이 수동적 응답자에서 자율적 에이전트로 진화함에 따라, 학습 패러다임에 근본적인 전환이 필요해졌다. 이는 정적 모방에서 인센티브 기반의 의사결정으로의 전환을 의미한다. 그러나 이 전환은 효과적인 정책 학습을 위해 고품질의 상호작용 신호를 생성할 수 있는 확장 가능한 인프라의 부재로 인해 심각하게 제한되고 있다. 이를 해결하기 위해, 우리는 상호작용 환경의 다양성과 복잡성을系통적으로 확장할 수 있는 종합적인 방법을 제안한다. 본 방법은 세 가지 수직적인 차원을 해결함으로써 이 확장을 실현한다. (1) 복잡성: 간단한 구성만으로도 복잡한 에이전트 계층 구조를 구축할 수 있는 유연한 에이전트 프레임워크인 NexAU; (2) 다양성: 자연어 입력에서부터 자동으로 다양한 에이전트 계층 구조를 생성함으로써 무한한 영역을 커버하는 NexA4A; (3) 정확성: 동적 실세계 환경을 통합함으로써 시뮬레이션과 현실 간의 격차를 해소하고, 실제 기반의 경로 합성(trajectory synthesis)을 가능하게 하는 NexGAP. 본 연구에서는 제안한 인프라를 기반으로 다채롭고 복잡한 상호작용 환경에서 Nex-N1을 훈련시켰다. SWE-bench 및 tau2와 같은 벤치마크에서의 실험 결과, Nex-N1은 최신 오픈소스 모델들을 일관되게 능가하며, 복잡한 에이전트 작업에서 최전선의 전용 모델들과 경쟁 가능한 성능을 달성하였다. 본 연구는 Nex 생태계와 모델 가중치를 오픈소스로 공개하여 향후 연구를 촉진할 수 있도록 한다.