对比 Codex，免费的 AgnesCode 也能在底层算子优化任务中打得有来有回

AgnesCode在部分芯片上跑出更高性能，免费模型完成专业级交付。

免费的 AI Coding Agent，能不能和付费 Codex 在真实工程任务里打得有来有回？

过去一年，我们已经习惯了让 Coding Agent 写网页、做应用、修 Bug。但这一次，我们想把它往更底层推一步：让 AI 去优化大模型自己运行时使用的算子。

所谓“算子”，可以简单理解为大模型运行时反复执行的一小段底层计算程序。模型每生成一个 Token，都要在 GPU 或其他 AI 芯片上执行大量矩阵计算、注意力计算和数据变换。单个算子看起来很小，但会被模型反复调用。因此，一段高频算子如果能快 10%、20%，最终就可能转化为推理速度、硬件利用率和服务成本上的实际差异。

这恰好提供了一种不同于常规 Coding Benchmark 的测试方式：如果 Agent 能够读懂任务、修改算子、适配不同芯片，并最终跑出真实的性能提升，那么它触及的已经不只是应用开发，而是 AI Infra 中一部分真正的工程工作。

为了回答这个问题，我们把 AgnesCode + Agnes 3.0 Flash 放进众智 FlagOS 开放计算全球大赛的一道算子优化题：为 DeepSeek-V3 解码阶段使用的底层算子写优化代码，并在 8 款芯片上接受赛事官方自动化评测，同时，选择 Codex + GPT-5.6 Sol 组合作为对照。两组候选者使用完全相同的环境为算子撰写优化代码，最终都提交到赛事官方的自动化评测系统进行评测。

结果很有趣：

两组选手都顺利完成了任务，Codex + GPT-5.6 Sol 用 8 分 57 秒给出结果，AgnesCode + Agnes 3.0 Flash 在中途被测试人员催促了一次后，耗时 20 分 36 秒完成任务。经过官方自动化评测后，对比 Codex 通过7款芯片的战绩，AgnesCode 略逊一筹，通过了 6 款芯片；但在双方共同通过的 5 款芯片上，AgnesCode 有 4 项加速比更高，其中在国际通用芯片 B 上达到 4.81×，高于 Codex 的 3.71×，加速比分数高出约 29.6%；昆仑芯上也只有 AgnesCode 通过测试。

这不只是一个“免费模型全面替代付费模型”的故事，还说明了另一件事：当任务边界、工具链和评测闭环足够清晰时，免费 Agent 已经可以进入底层工程任务，并交出可验收、有性能收益的产物。

Agent 时代，模型便宜只是入场券，能把任务交到终点才是分水岭。本文真正想回答的，是当 AI 开始拧紧自己的底层螺丝，免费的 AgnesCode 距离一个可用的工程助手还有多远。

01

一道题：

优化 DeepSeek-V3 底层算子

考虑到常见测试任务的数据很可能已经用于模型训练，导致模型本身已经很擅长，因此，在这次测试中，我们直接跳过常见的网页生成、数据看板、文案撰写等常见测试场景，选择让 AgnesCode 直接挑战更接近基础工程的题目：大模型推理算子优化。

具体来说，算子是模型算法能运行的基础环节，模型每生成一个 Token，背后都要反复调用矩阵乘法、注意力、归一化、激活函数等底层算子。在单个算子上几个百分点的加速比，往往直接变成推理延迟、显存占用和服务成本的差异。更重要的是，算子优化正在成为 AI 自进化的一部分，过去，优化这类底层代码高度依赖系统工程师手写经验；现在，Coding Agent 开始尝试读任务、写算子代码、跑测试、看报错、再改代码，这是 AI 开始反过来优化自身运行底座的一种工程样本。

所选测试题来源截图1: 众智 FlagOS 开放计算全球大赛赛季二的赛道一

需要说明的是，这次的测试题目来自众智 FlagOS 开放计算全球大赛赛季二的赛道一：SGLang框架算子在多款芯片的性能优化。该比赛围绕 SGLang 推理框架开放了 200 余道算子任务，每周发布一批算子题目，参赛者只能在本周内看到赛题内容。因此，这可以极大保证测试任务的数据没有被测试模型提前学习，对评测对象来说，这完全是一次“摸底考试”。

所选测试题来源截图2: 200+算子的多芯片优化任务

具体来说，我们选择了一道 DeepSeek-V3 在解码阶段使用的融合 QKV-A 下投影算子 题目（Task66: dsv3_fused_a_gemm）作为测试任务，该算子是将输入特征与合并后的投影权重相乘，一次完成 Q 分支和 KV 分支的前置投影，为后续注意力计算准备数据。题目本身的计算并不难，真正的挑战在于考察 AgnesCode 能否生成一套优化算子代码能快速通过 8 款芯片（2款国际芯片、天数智芯、沐曦、燧原、海光信息、昆仑芯和华为）。

所选测试题来源截图3: Task66-dsv3_fused_a_gemm 赛题

02

对打 Codex：

入口名翻车，但性能结果并不弱

为了更好知道 AgnesCode 的行业水平，我们选择 Codex+GPT-5.6 Sol 组合作为对照组，AgnesCode 则用官方提供的免费模型 Agnes 3.0 Flash 作为后台。我们为两个组合同时提供一个标准化的 Skill，该 skill 提供了赛制的全部信息，例如如何命名每个代码文件、如何在代码文件中命名函数名、写完代码以后要打包等。之后，我们在相同的环境下让两个组合为测试题撰写代码。

具体地，我们首先让两个组合在一台含有 NVIDIA 芯片的机器上撰写第一个版本代码，然后再基于这个版本代码撰写适配其他所有芯片的代码。

从运行过程来看，AgnesCode + Agnes 3.0 Flash 组合在第二阶段生成代码的时候，首先花费了7分10秒没有给出答案，经过测试人员催促以后，再次经过13分26秒后给出了 针对不同后端调整优化的代码。包括语法、禁用项和文件依赖检查，最终整理提交包，并更新开发记录。整体来看，从编写实现、跨芯片适配，到代码自检、打包和交付，这个组合已经能够围绕一个专业任务推进完整的工作流程。

AgnesCode + Agnes 3.0 Flash 组合运行截图

再来看看 Codex+GPT-5.6 Sol 组合的表现，相对AgnesCode + Agnes 3.0 Flash 组合 整体使用 20 分 36 秒的时间开销，Codex+GPT-5.6 Sol 组合仅用8分57秒就给出了结果。对比来看，Codex+GPT-5.6 Sol 组合的整体工作推进更快，也更加流畅。

Codex+GPT-5.6 Sol 组合运行截图

任务推进过程是一方面，两个模型经过系统评测的效果如何呢？

众智 FlagOS 开放计算全球大赛赛事官方自动化评测结果截图，第一行为 AgnesCode + Agnes 3.0 Flash 测评结果，第二行为 Codex+ GPT-5.6 Sol 测评结果。

整体来看，虽然在芯片的适配数量上，AgnesCode 落后Codex 一个，仅有六个芯片通过了测试。但在双方共同通过的五个芯片上，AgnesCode 有四项加速比更高，在天数智芯上，AgnesCode 为 2.16×，Codex为 1.72×；在国际通用芯片 B 上，AgnesCode 达到 4.81×，高于对照组的 3.71×，加速比分数高出约 29.6%；在昆仑芯上仅有 AgnesCode 通过了测试，并取得来2.56X的加速比。

该结果表明，AgnesCode + Agnes 3.0 Flash 交付了能够在多个平台获得实际加速的算子成果，体现了一定的竞争力，但在跨平台覆盖和最终验收，仍有继续改进的空间。

最后，对于一个绕不开的话题——成本，AgnesCode + Agnes 3.0 Flash 完全免费，这让它在真实的业务场景里更具吸引力。很多任务往往需要多轮问答才能获得较为不错的效果，而且模型还需要反复读取文件、根据用户反馈进行调整。若按闭源模型计费，账单很可能快速爆炸，而免费模型至少把“敢不敢让多试几轮”的门槛降了下来。

03

AA榜单揭示 

Agnes 3.0 Flash 的能力边界

上述测试可以发现，免费的 AgnesCode+Agnes 3.0 Flash 完全可以和付费订阅的 Codex+ GPT-5.6 Sol 打的有来有回，这是个例还是普遍存在呢？

对此，我们调取了 Artificial Analysis (AA榜单)公布数据，其中的 Intelligence Index 指标综合考察模型在工作任务、工具执行、编程、复杂推理、知识可靠性与长上下文等方面的表现，为模型的整体水平提供参照，Agnes 3.0 Flash 的得分为 36 分，即为接近  GPT-5.6 Luna（max）的 38 分。这说明 Agnes 3.0 Flash 本身能力已经和主流模型能力不相上下了。

Artificial Analysis (AA榜单)公布数据截图

在 Artificial Analysis 的智能表现 × Token价格对比中，Agnes 3.0 Flash以约 0.03 美元/百万 Token 的价格进入最具吸引力区间，并位于帕累托前沿。

另外，把能力和价格放到同一张图里看，Agnes 3.0 Flash 的位置会更直观。AA 榜单的智能表现 × Token 价格对比显示，它以约 0.03 美元/百万 Token 的价格，进入了图中最具吸引力的低价高能区间：横向看，它的价格显著低于多数同等智能表现的模型；纵向看，在相近价格带里，拿到了更靠前的智能表现，这直接让模型坐稳帕累托前沿的位置。

从实际的 Agent 工作流来说，这个位置尤其重要，因为长任务会不断放大 Token 消耗，模型每便宜一点，都会直接影响用户是否愿意让它持续读文件、改代码、跑测试和反复迭代。

Artificial Analysis (AA 榜单)的智能表现 × Token 价格对比数据截图

04

免费又不失性能，

为 AI 进化带来更多探索空间

通过代码优化测试可以发现，AgnesCode + Agnes 3.0 Flash 已经能自动化生成能被系统验收、能被继续迭代、能在成本上算得过账的交付物。Agent 时代，模型便宜只是入场券，能把任务交到终点才是护城河。

换句话说，随着 AI 的发展，用户需要的不再只是生成应用，而是 AI 开始拧紧自己的底层螺丝。

从结果看，AgnesCode + Agnes 3.0 Flash 展示了两个信号：

1.在有明确工作流、任务文件和评测反馈的情况下，它已经能推进跨芯片算子适配，并在部分芯片上跑出更高加速比。

2.Agent 可能会在“最后一公里”犯错，例如入口命名、提交规范、覆盖范围等细节，这些问题不一定抹掉性能亮点，但会直接决定结果能不能被真实系统接收。

模型能力决定上限，工作台能力决定它能不能稳定抵达上限。对开发者和企业用户而言，AgnesCode 的优势不只在模型本身，也在它把模型、项目文件、Skill、命令执行和评测反馈组织到同一个工作流里，帮助用户少打扰、少返工、少花钱地把事做完。

从算子优化来说，这也是国产 AI 芯片生态正在面对的现实问题，不同芯片之间的差异，不会因为上层框架统一就自动消失；推理框架、算子库、编译工具链和真实业务负载之间，仍然需要大量适配工作。如果 Agent 能进入这条链路，它就有机会把过去依赖少数系统工程师经验的优化工作，变成可以持续生成、持续验证、持续迭代的工程流程。

对比，Codex + GPT-5.6 Sol 在任务推进速度和整体流畅度上依然更占优，AgnesCode + Agnes 3.0 Flash 也暴露出交付细节上的不稳定。但同时证明了一件事：免费模型并非只能停留在简单任务层面，只要工具链、上下文和评测闭环足够明确，它同样可以进入专业工作流，并交出有竞争力的结果。

免费模型的真正价值，正在从让 AI 变得更便宜转向让更多真实任务有机会被 AI 反复尝试。当试错成本下降，Agent 才可能从“偶尔帮忙”变成“持续干活”；当持续干活成为可能，谁能把专业要求稳定写进执行过程，谁就更接近下一代 AI 工作台的入口。

文章来自于"AI科技评论"，作者 "吴海明 曹PP"。