對比 Codex，免費的 AgnesCode 也能在底層算子優化任務中打得有來有回

本文作者： 李娜 2026-09-30 16:13 導語： AgnesCode在部分芯片上跑出更高性能，免費模型完成專業級交付。AgnesCode在部分芯片上跑出更高性能，免費模型完成專業級交付。作者丨吳海明 曹PP 編輯丨李 娜 免費的 AI Coding Agent，能不能和付費 Codex 在真實工程任務裡打得有來有回？過去一年，我們已經習慣了讓 Coding Agent 寫網頁、做應用、修 Bug。但這一次，我們想把它往更底層推一步：讓 AI 去優化大模型自己運行時使用的算子。所謂“算子”，可以簡單理解為大模型運行時反覆執行的一小段底層計算程序。

模型每生成一個 Token，都要在 GPU 或其他 AI 芯片上執行大量矩陣計算、注意力計算和數據變換。單個算子看起來很小，但會被模型反覆調用。因此，一段高頻算子如果能快 10%、20%，最終就可能轉化為推理速度、硬件利用率和服務成本上的實際差異。這恰好提供了一種不同於常規 Coding Benchmark 的測試方式：如果 Agent 能夠讀懂任務、修改算子、適配不同芯片，並最終跑出真實的性能提升，那麼它觸及的已經不只是應用開發，而是 AI Infra 中一部分真正的工程工作。為了回答這個問題，我們把 AgnesCode + Agnes 3.

0 Flash 放進眾智 FlagOS 開放計算全球大賽的一道算子優化題：為 DeepSeek-V3 解碼階段使用的底層算子寫優化代碼，並在 8 款芯片上接受賽事官方自動化評測，同時，選擇 Codex + GPT-5.6 Sol 組合作為對照。兩組候選者使用完全相同的環境為算子撰寫優化代碼，最終都提交到賽事官方的自動化評測系統進行評測。結果很有趣：兩組選手都順利完成了任務，Codex + GPT-5.6 Sol 用 8 分 57 秒給出結果，AgnesCode + Agnes 3.0 Flash 在中途被測試人員催促了一次後，耗時 20 分 36 秒完成任務。

經過官方自動化評測後，對比 Codex 通過7款芯片的戰績，AgnesCode 略遜一籌，通過了 6 款芯片；但在雙方共同通過的 5 款芯片上，AgnesCode 有 4 項加速比更高，其中在國際通用芯片 B 上達到 4.81×，高於 Codex 的 3.71×，加速比分數高出約 29.6%；崑崙芯上也只有 AgnesCode 通過測試。這不只是一個“免費模型全面替代付費模型”的故事，還說明了另一件事：當任務邊界、工具鏈和評測閉環足夠清晰時，免費 Agent 已經可以進入底層工程任務，並交出可驗收、有性能收益的產物。Agent 時代，模型便宜只是入場券，能把任務交到終點才是分水嶺。

本文真正想回答的，是當 AI 開始擰緊自己的底層螺絲，免費的 AgnesCode 距離一個可用的工程助手還有多遠。((公眾號：))01一道題：優化 DeepSeek-V3 底層算子考慮到常見測試任務的數據很可能已經用於模型訓練，導致模型本身已經很擅長，因此，在這次測試中，我們直接跳過常見的網頁生成、數據看板、文案撰寫等常見測試場景，選擇讓 AgnesCode 直接挑戰更接近基礎工程的題目：大模型推理算子優化。具體來說，算子是模型算法能運行的基礎環節，模型每生成一個 Token，背後都要反覆調用矩陣乘法、注意力、歸一化、激活函數等底層算子。

在單個算子上幾個百分點的加速比，往往直接變成推理延遲、顯存佔用和服務成本的差異。更重要的是，算子優化正在成為 AI 自進化的一部分，過去，優化這類底層代碼高度依賴系統工程師手寫經驗；現在，Coding Agent 開始嘗試讀任務、寫算子代碼、跑測試、看報錯、再改代碼，這是 AI 開始反過來優化自身運行底座的一種工程樣本。所選測試題來源截圖1: 眾智 FlagOS 開放計算全球大賽賽季二的賽道一需要說明的是，這次的測試題目來自眾智 FlagOS 開放計算全球大賽賽季二的賽道一：SGLang框架算子在多款芯片的性能優化。

該比賽圍繞 SGLang 推理框架開放了 200 餘道算子任務，每週發佈一批算子題目，參賽者只能在本週內看到賽題內容。因此，這可以極大保證測試任務的數據沒有被測試模型提前學習，對評測對象來說，這完全是一次“摸底考試”。所選測試題來源截圖2: 200+算子的多芯片優化任務具體來說，我們選擇了一道 DeepSeek-V3 在解碼階段使用的融合 QKV-A 下投影算子 題目（Task66: dsv3fusedagemm）作為測試任務，該算子是將輸入特徵與合併後的投影權重相乘，一次完成 Q 分支和 KV 分支的前置投影，為後續注意力計算準備數據。

題目本身的計算並不難，真正的挑戰在於考察 AgnesCode 能否生成一套優化算子代碼能快速通過 8 款芯片（2款國際芯片、天數智芯、沐曦、燧原、海光信息、崑崙芯和華為）。所選測試題來源截圖3: Task66-dsv3fusedagemm 賽題02對打 Codex：入口名翻車，但性能結果並不弱為了更好知道 AgnesCode 的行業水平，我們選擇 Codex+GPT-5.6 Sol 組合作為對照組，AgnesCode 則用官方提供的免費模型 Agnes 3.0 Flash 作為後臺。

我們為兩個組合同時提供一個標準化的 Skill，該 skill 提供了賽制的全部信息，例如如何命名每個代碼文件、如何在代碼文件中命名函數名、寫完代碼以後要打包等。之後，我們在相同的環境下讓兩個組合為測試題撰寫代碼。具體地，我們首先讓兩個組合在一臺含有 NVIDIA 芯片的機器上撰寫第一個版本代碼，然後再基於這個版本代碼撰寫適配其他所有芯片的代碼。從運行過程來看，AgnesCode + Agnes 3.0 Flash 組合在第二階段生成代碼的時候，首先花費了7分10秒沒有給出答案，經過測試人員催促以後，再次經過13分26秒後給出了 針對不同後端調整優化的代碼。

包括語法、禁用項和文件依賴檢查，最終整理提交包，並更新開發記錄。整體來看，從編寫實現、跨芯片適配，到代碼自檢、打包和交付，這個組合已經能夠圍繞一個專業任務推進完整的工作流程。AgnesCode + Agnes 3.0 Flash 組合運行截圖再來看看 Codex+GPT-5.6 Sol 組合的表現，相對AgnesCode + Agnes 3.0 Flash 組合 整體使用 20 分 36 秒的時間開銷，Codex+GPT-5.6 Sol 組合僅用8分57秒就給出了結果。對比來看，Codex+GPT-5.6 Sol 組合的整體工作推進更快，也更加流暢。Codex+GPT-5.

6 Sol 組合運行截圖任務推進過程是一方面，兩個模型經過系統評測的效果如何呢？眾智 FlagOS 開放計算全球大賽賽事官方自動化評測結果截圖，第一行為 AgnesCode + Agnes 3.0 Flash 測評結果，第二行為 Codex+ GPT-5.6 Sol 測評結果。整體來看，雖然在芯片的適配數量上，AgnesCode 落後Codex 一個，僅有六個芯片通過了測試。但在雙方共同通過的五個芯片上，AgnesCode 有四項加速比更高，在天數智芯上，AgnesCode 為 2.16×，Codex為 1.72×；在國際通用芯片 B 上，AgnesCode 達到 4.

81×，高於對照組的 3.71×，加速比分數高出約 29.6%；在崑崙芯上僅有 AgnesCode 通過了測試，並取得來2.56X的加速比。該結果表明，AgnesCode + Agnes 3.0 Flash 交付了能夠在多個平臺獲得實際加速的算子成果，體現了一定的競爭力，但在跨平臺覆蓋和最終驗收，仍有繼續改進的空間。最後，對於一個繞不開的話題——成本，AgnesCode + Agnes 3.0 Flash 完全免費，這讓它在真實的業務場景裡更具吸引力。很多任務往往需要多輪問答才能獲得較為不錯的效果，而且模型還需要反覆讀取文件、根據用戶反饋進行調整。

若按閉源模型計費，賬單很可能快速爆炸，而免費模型至少把“敢不敢讓多試幾輪”的門檻降了下來。03AA榜單揭示 Agnes 3.0 Flash 的能力邊界上述測試可以發現，免費的 AgnesCode+Agnes 3.0 Flash 完全可以和付費訂閱的 Codex+ GPT-5.6 Sol 打的有來有回，這是個例還是普遍存在呢？對此，我們調取了 Artificial Analysis (AA榜單)公佈數據，其中的 Intelligence Index 指標綜合考察模型在工作任務、工具執行、編程、複雜推理、知識可靠性與長上下文等方面的表現，為模型的整體水平提供參照，Agnes 3.

0 Flash 的得分為 36 分，即為接近 GPT-5.6 Luna（max）的 38 分。這說明 Agnes 3.0 Flash 本身能力已經和主流模型能力不相上下了。Artificial Analysis (AA榜單)公佈數據截圖在 Artificial Analysis 的智能表現 × Token價格對比中，Agnes 3.0 Flash以約 0.03 美元/百萬 Token 的價格進入最具吸引力區間，並位於帕累託前沿。另外，把能力和價格放到同一張圖裡看，Agnes 3.0 Flash 的位置會更直觀。AA 榜單的智能表現 × Token 價格對比顯示，它以約 0.

03 美元/百萬 Token 的價格，進入了圖中最具吸引力的低價高能區間：橫向看，它的價格顯著低於多數同等智能表現的模型；縱向看，在相近價格帶裡，拿到了更靠前的智能表現，這直接讓模型坐穩帕累託前沿的位置。從實際的 Agent 工作流來說，這個位置尤其重要，因為長任務會不斷放大 Token 消耗，模型每便宜一點，都會直接影響用戶是否願意讓它持續讀文件、改代碼、跑測試和反覆迭代。Artificial Analysis (AA 榜單)的智能表現 × Token 價格對比數據截圖04免費又不失性能，為 AI 進化帶來更多探索空間通過代碼優化測試可以發現，AgnesCode + Agnes 3.

0 Flash 已經能自動化生成能被系統驗收、能被繼續迭代、能在成本上算得過賬的交付物。Agent 時代，模型便宜只是入場券，能把任務交到終點才是護城河。換句話說，隨著 AI 的發展，用戶需要的不再只是生成應用，而是 AI 開始擰緊自己的底層螺絲。從結果看，AgnesCode + Agnes 3.0 Flash 展示了兩個信號：1.在有明確工作流、任務文件和評測反饋的情況下，它已經能推進跨芯片算子適配，並在部分芯片上跑出更高加速比。2.Agent 可能會在“最後一公里”犯錯，例如入口命名、提交規範、覆蓋範圍等細節，這些問題不一定抹掉性能亮點，但會直接決定結果能不能被真實系統接收。

模型能力決定上限，工作臺能力決定它能不能穩定抵達上限。對開發者和企業用戶而言，AgnesCode 的優勢不只在模型本身，也在它把模型、項目文件、Skill、命令執行和評測反饋組織到同一個工作流裡，幫助用戶少打擾、少返工、少花錢地把事做完。從算子優化來說，這也是國產 AI 芯片生態正在面對的現實問題，不同芯片之間的差異，不會因為上層框架統一就自動消失；推理框架、算子庫、編譯工具鏈和真實業務負載之間，仍然需要大量適配工作。如果 Agent 能進入這條鏈路，它就有機會把過去依賴少數系統工程師經驗的優化工作，變成可以持續生成、持續驗證、持續迭代的工程流程。對比，Codex + GPT-5.

6 Sol 在任務推進速度和整體流暢度上依然更佔優，AgnesCode + Agnes 3.0 Flash 也暴露出交付細節上的不穩定。但同時證明了一件事：免費模型並非只能停留在簡單任務層面，只要工具鏈、上下文和評測閉環足夠明確，它同樣可以進入專業工作流，並交出有競爭力的結果。免費模型的真正價值，正在從讓 AI 變得更便宜轉向讓更多真實任務有機會被 AI 反覆嘗試。當試錯成本下降，Agent 才可能從“偶爾幫忙”變成“持續幹活”；當持續幹活成為可能，誰能把專業要求穩定寫進執行過程，誰就更接近下一代 AI 工作臺的入口。原創文章，未經授權禁止轉載。詳情見轉載須知。

0人收藏 分享： 相關文章 ai 大模型 評測 從 Codex Harness 開源，看 AI 公司的護城河是什麼？...在三張圓明園鼠首照片裡，我們看到了3D AI的Harness ...越大越強，不再是 LLM 的專利：PixVerse R2 攻克實時 ...拆解 WorkBuddy、千問辦公和豆包工作，它們其實不是 ...李娜 編輯 發私信 當月熱門文章 阿里開源 Qwen3.8-27B 本地實測：性能很強，但 Agent 適配仍待補課 我們拆了 1.

1 萬個 DeepSeek Harness 插件，發現官方几乎沒有建立插件治理機制 萬字長文拆解DeepSeek V4 Pro與Harness：從後訓練到「代理自進化」，更大的變化在開源框架裡 流沙之上：陳冕、景鯤、倪正民和中國 AI 應用創業者的三種選擇 Qwen3.8-27B 登頂全球開源榜第一，曾經的「源神」又回來了！最新文章 實測 Qwen-3.8 與 GLM-5.3 的 Flash 版：誰能讓我提前下班半小時？從 Codex Harness 開源，看 AI 公司的護城河是什麼？全網最硬核 OpenClaw 2.

0 實測：從 ToC 到 ToB 的試探，Agent 網關能重塑工作流邊界嗎？從海拉魯到現實世界：視頻模型如何理解「變化」 在三張圓明園鼠首照片裡，我們看到了3D AI的Harness時刻 全球開源前二，階躍終於回來了 熱門搜索 深度學習 機器學習 智能家居 智能駕駛 金融 激光雷達 比亞迪 富士康 蔚來 Nexus 視頻