在大语言模型后训练阶段扩展可执行智能体训练数据，其瓶颈在于受限于特定基底的方法——这些方法将任务生成与预定义工具、代码仓库或技能图谱绑定：扩大覆盖范围需要手动进行基底工程，每个新领域都需要定制化的流水线，且最终的任务分布往往反映的是基底偏差而非真实需求。我们提出 NexForge，这是一个需求驱动的框架，它以高层次能力需求为输入，为监督微调合成多样化、可执行的智能体任务及专家轨迹。NexForge 首先调研真实需求以构建代表性场景和任务画像，随后执行分布感知的编译以生成任务指令。针对每条指令，NexForge 自动检索或构建所需的文件、依赖项和运行时配置，最终合成专家执行路径并生成训练轨迹。在无需领域特定基础设施的情况下，NexForge 生成了 3.6K 个终端任务和 2K 个办公任务，将 Qwen3.5-35B-A3B Base 在 Terminal-Bench 2.0 上的成绩从 22.5% 提升至 52.0%，在 GDPval 上的 Elo 评分从 813 提升至 1338；进一步扩展至 43.2K 个终端任务后，成绩达到 58.4%，与配备 Claude Code 的 Claude Opus 4.6 持平。经过进一步扩展，NexForge 合成的数据还用于训练 Nex-N2——一个公开可用的智能体模型系列，该系列将 Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 上的成绩提升至 75.3%，在 GDPval 上的 Elo 评分提升至 1585——实现了开源模型的最优性能，并超越了数个前沿闭源系统。Nex-N2 模型可在 https://nex.sii.edu.cn/ 获取。