BERT模型的NSP（Next Sentence Prediction）任务是用来判断两个句子是否是连续的，即判断第二个句子是否是第一个句子的下一句。

NSP任务的输出是一个二分类问题，需要判断两个句子是否连续。BERT模型的NSP头线性层有两个输出，分别是表示两个句子是否连续的logits。这两个输出分别经过一个softmax层，得到的结果就是两个句子是否连续的概率。

下面是一个使用BERT模型进行NSP任务的代码示例，使用了Hugging Face的Transformers库：

from transformers import BertModel, BertTokenizer, BertForNextSentencePrediction
import torch

# 加载BERT模型和tokenizer
model_name = 'bert-base-uncased'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForNextSentencePrediction.from_pretrained(model_name)

# 准备输入句子
sentence1 = "I love coding."
sentence2 = "Coding is my passion."

# 对输入句子进行tokenize和编码
inputs = tokenizer.encode_plus(sentence1, sentence2, return_tensors='pt', add_special_tokens=True)
input_ids = inputs['input_ids']
token_type_ids = inputs['token_type_ids']

# 前向传播
outputs = model(input_ids=input_ids, token_type_ids=token_type_ids)

# 获取NSP任务的输出logits
logits = outputs.logits

# 经过softmax层，得到两个句子是否连续的概率
probabilities = torch.softmax(logits, dim=1)
probabilities = probabilities.detach().numpy()
print(probabilities)

输出结果是一个2维数组，第一维表示是否连续的概率，第二维表示不连续的概率。你可以根据概率的大小来判断两个句子是否连续。