2026 年 7 月 13 日，新加坡 Sapiens AI 正式发布了 Agnes-2.5-Flash——一个定位为"全能力文本模型"的机型。同日上线的还有 Agnes Code 桌面端，以及尚未正式发布但已在内部完成训练的旗舰版本 Agnes-2.5-Pro。

看完刚才这段话，可能你还是一头雾水，什么AI？什么Flash？没听说过。

不过“免费”二字，倒是很有含金量。毕竟免费意味着无限试错、无限迭代，既不用绞尽脑汁写一些文言文prompt节省token，也不用在月底为账单感到心痛。免费模型无论是给老玩家补充token弹药，还是帮新手小白探索Agent玩法，都是不错的挑选。

尽管如此，如果模型的能力太差，听不懂需要、多次返工，就算免费也会令人抓狂。幸运的是，看能力，Agnes已经接近了全球第一梯队。

一、Agnes 模型概况

1.1 什么 AI ？

Agnes AI 是新加坡 AI 公司 Sapiens Technology Pte. Ltd. 旗下的机型品牌。这家公司成立于 2024 年（一说 2025 年 7 月），创始人与 CEO 是 Bruce Yang——新加坡莱佛士书院校友，NUS 人工智能方向博士生。团队核心成员来自 NUS、NTU、MIT、斯坦福、UC Berkeley、UT Austin 等高校。

Sapiens AI 的融资情况：

公司定位格外明确：自己训练模型，不用第三方 API。它不是 OpenRouter 那种模型聚合平台，而是从底层架构到应用层全部自研。这也是为什么它能做到"不限期免费"——成本结构完全掌握在自己手里。

截至 2026 年 6 月，Agnes AI 已有超过 600 万使用者，每周处理超过 5.41 万亿 tokens（其中文本 token 3.25 万亿、多模态 2.16 万亿）。这个数字意味着什么？大概相当于每周免费输出数百万本长篇小说的文字量。

1.2 什么 Flash ？

Agnes AI 的机型矩阵围绕三类模型展开：

文本 / Agent 模型

图像模型

视频模型

另外还有创意平台 Pavo（web 端 AI 创作工作室）和桌面 IDE 工具 Agnes Code，统一账号体系，一套积分通吃所有能力。

1.3 Agnes-2.5-Flash 的核心规格

依据官方文档和发布信息，Agnes-2.5-Flash 的关键参数如下：

比较前一代 agnes-2.0-flash，官方强调在以下几个维度有显著提高：

1.4 与 OpenAI / Anthropic 的兼容性

显然兼容。Agnes AI 给出的是 OpenAI 兼容 API：

from openai import OpenAIclient = OpenAI(    base_url="https://apihub.agnes-ai.com/v1",    api_key="your-key-here")response = client.chat.completions.create(    model="agnes-2.5-flash",    messages=[{"role": "user", "content": "你好"}],    stream=True)

同样兼容 Anthropic 风格的 thinking 字段。这意味着如果你的项目已经在用 OpenAI 或 Anthropic SDK，只需要替换 base_url 和 model 名称就能切换，集成成本极低。

1.5 免费？

很多人会问：免费能做到什么程度？是不是有隐藏限制？

实际情况是：

也就是说：Agnes AI 自己的模型全部免费，涵盖文本、图像和视频。如果你借助 OpenRouter 等第三方平台间接使用，那是另一回事。RPM 对日常开发够用，但如果你要跑大规模自动化 Agent，可能需要升级到 Token Plan 或企业计划。

二、工艺创新点

上一章笔者了解了 Agnes 的"硬指标"：免费、免费 API、免费多模态。但真正让这套打法跑通的，不是营销话术，而是一整套从底层训练到上层调度的工艺栈。

下面从最简单的直觉出发，一步步拆解 Agnes 有哪些自己独有、别人没有的工艺优化。

2.1 强化学习的"防崩溃"算法：DSPO

先回答一个根本难题：模型怎么变聪明？

大模型训练分几步：先用海量文本做预训练（读万卷书），再用人类反馈微调（学习规范），最后一步是强化学习（RL）——让模型在复杂任务中借助"试错+奖惩"学会最优策略。

但 RL 有个致命弱点：复杂任务中的奖励信号太稀疏、太高频的失败会导致策略崩溃。

举个例子。让 AI 帮你做一份研究报告，流程大概是：理解需要 → 搜索资料 → 整理分析 → 写结论。如果最后只给一个"做完了就给奖励"的信号，模型根本不知道哪一步做得好、哪一步做错了。更糟的是，在搜索情形中，大量尝试会失败，奖励信号几乎为零，梯度变得不稳定，训练直接崩塌。

这就是 DeepSeek 的 GRPO 等主流算法碰到的难题——它们在简单推理任务上表现出色，但在需要多轮搜索、工具调用、长链规划的 Agent 任务中容易"学崩"。

Agnes 的做法叫 DSPO（Dynamic-filter Sequence-level Policy Optimization），中文名"动态过滤序列级策略优化"。它不是又发明了一个新 RL 算法，而是把两个已知的好思想巧妙组合在一起。

先看第一个难题：优化单位不匹配。 GRPO 在 token 级别做优化，但奖励是对整个序列给的——相当于你用每个字的表现来打分，但评判标准却是整句话写得好不好。这就像用每一步来评价一场马拉松的成绩。DSPO 改成序列级优化：不再盯着每个 token 单独算梯度，而是对整条轨迹算一个综合校正因子。这样梯度方差大幅降低，训练不再崩溃。

第二个难题：稀疏奖励浪费样本。 搜索 Agent 的训练过程中，很多 prompt 的 trial group 要么全部成功、要么全部失败，这些组的长处信号为零或不存在，白白浪费了算力。DSPO 引入了动态过滤机制：只保留"既有成功又有失败"的 trial group 用于训练，强制确保每个 batch 都有非零的、有效的长处信号。

一个比喻就好理解了：

这不是一个小改进。依据 Sapiens AI 在 arXiv 上发表的论文 DSPO，他们在 7B 模型上训练出的 Agent，比之前的基线模型（同规模 GRPO）提高了 34.1%，还超越了一个14B 模型在近 9% 的相对提高——一个参数量只有对方一半的模型，击败了更大的对手。

对使用者的感知价值是什么？模型更稳了，Agent 任务的可靠性更高了，搜索和推理不再是"碰运气"而是"稳定输出"。

2.2 CodeAgents：用"伪代码"而不是自然语言来做 Agent 协作

前面说了如何让单个模型变强，现在聊一个不同的难题：多个 AI Agent 之间怎么高质沟通？ 当下使用多Agent拆分复杂任务，分工合作已经有各种细致的落地应对思路，不过Agnes在此基础上，开展了新的优化。

假设你有一个研究 Agent 平台，里面有三个角色：

如果用自然语言让这三个 Agent 协作，会发生什么？ Planner 说"帮我查一下东南亚科技投资趋势"，Solver 搜了一堆信息，然后 Replanner 看了结果觉得不对，又要 Planner 重新调整方向。难题是：每个人的语言理解是模糊的。"查一下"可以理解为深度报告，也可以理解为三句话总结。"科技投资"可以指风投、并购、政府基金……歧义越多，返工越多。

CodeAgents 的核心思路是：不要用自然语言做 Agent 之间的通信协议，改用结构化伪代码。

具体怎么做？

把 Planner、Solver、Replanner 的交互编码成类似这样的结构：

task:"analyze SE Asia tech investment trends"plan:-step:"search"tool:"google_search"query:"Southeast Asia tech funding 2026"expected_length:">= 5 results"-step:"filter"condition:"result_count >= 3"subroutine:"summarize_trends"

这不是真的 Python 代码，而是一种类型化的伪代码格式：

这就像软件工程中 API 的约定：前端和后端借助 JSON schema 通信，而不是互相发微信语音。

这种格式化的处理思路有一点像 MCP。 MCP 是 AI 应用连接外部工具和数据源的协议标准（例如怎么调用搜索引擎、数据库、API），而 CodeAgents 是 Agent 平台内部的编排框架——它管的是 Planner、Solver、Replanner 这些角色之间怎么交换信息，不管怎么接入外部工具。

换句话说，MCP 应对的是"AI 怎么用工具"，CodeAgents 应对的是"多个 AI 之间怎么高质协作"。在实际机型中，两者可以共存：内部多 Agent 通信走 CodeAgents 式的结构化编排，外部工具调用可以借助 MCP 来对接。

这个外观带来了什么？

数据来源：CodeAgents 论文的 arXiv - 基准测试 链接：2507.03254。

注意这里和之前"40-70% token 节省"的粗略说法不同——论文原文的数据范围更大，真实数字是 **输入端节省 55-87%，输出端节省 41-70%**。

当然，这也意味着同样的模型能力下，Agnes 可以服务更多使用者而不增加同等比例的推理成本。这就是"免费"背后的真实数学：不靠补贴，靠省下来的 token。

2.3 Universal Verifier：给"主观题"打分

Bruce Yang 本人将其称为 "secret sauce"，未开源。

Benchmark 分数高≠实际感受好。你可以在数学题上拿第一，但在写 PPT、做研究报告、甚至"在群聊里该不该说话"这种主观任务上一塌糊涂。Agnes 的核心机型情形恰恰是这类没有标准答案的任务。

例如：

传统做法是给这些主观任务找人工标注员打分，效率低且不可扩展。

Agnes 的做法是 Universal Verifier（UV）：一个内部评估平台，能对主观任务给出评分和奖励信号。

按 Bruce Yang 本人的说法："否则模型不知道往哪个方向改进。它甚至不知道该往哪儿走。"

UV 的工作方式大致是两层：

第一层：训练过程中的评估器。 对主观型任务，UV 给出生成结果的评分和反馈，告诉模型"哪里做得好、哪里需要改"。它不仅看最终答案对不对，还要看推理路径是否合理。

第二层：上线后的持续监控。 UV 在后台跟踪真实情形中的反馈信号，如果发现某类任务的回答率下降，就触发重新训练。

传统的科研→发布→上线→发现难题的循环太慢。UV 把它变成了一个持续的闭环：

研究 → 评估 → 训练 → 上线 → 反馈  ↑                        ↓  ←←←←←←←← 持续循环 ←←←←←←←

Yang 的原话是："UV 是笔者的 secret sauce——笔者没有开源它。"它没有公开细节，但从其能力定位来看，它是连接 benchmark 和真实使用者感受的关键桥梁。

2.4 生成平台的"中间层"：Intent 翻译而非 Agent 创新

坦率地说，**"三个 Agent 协作"本身不是新概念。** 从 GAN 的 Generator vs Discriminator，到 RLHF 的 Response vs Reward Model，再到各种框架里的 Solver/Reviewer/Replanner 分工，业界早就这么做了。

这里要写清楚的不是"谁用了三个 Agent"，而是一个更具体的难题：

当使用者输入是模糊的自然语言，但下游生成模型（图像/视频 Diffusion）需要精确的结构化指令时，中间该放什么？

Agnes 的做法是加一个 Intent Understanding Agent，放在使用者和 Generation/Judge Agent 之间。核心逻辑很简单：

所以这个"三 Agent"的真正价值不在于 agent 数量，而在于LLM 作为意图翻译层，把自然语言的模糊性转化为生成模型可执行的确定性指令。它应对的不是"如何组织多个 Agent"这个新难题，而是"如何让文本生成模型和图像/视频生成模型在同一个工作流中衔接"这个工程难题。

用一句话总结：这不是一个新的创新点，而是一个针对特定情形（多模态生成）的合理工程架构。 值得记录的只是它被明确命名和机型化了。

多Agent开发并不是新鲜事物，不过如何能标准化的使用这种思想，而不依赖于使用者自己人肉Harness，甚至不需要使用者做任何事情，并且要保证稳定性与成效。可以优化到这种程度，那才算是真正值得注意的创新，才不算是似是而非的自我包装。

2.5 自研模型路由：不是所有难题都值得用最大模型

Agnes 不只是一个模型，而是一套模型家族。从 7B 到 30B+ 的参数规模，针对不同任务有不同的小模型专化版本。

Yang 的表述很清楚：

"笔者不需要在每个维度都超过 GPT-4，笔者只需要在特定类别上超越它——研究、PPT 生成、群聊辅助。笔者的平台中每种模式都有专门的模型。"

路由逻辑如下：

这本质上是多模型任务路由，类似于 MoE 中"路由器"的思路，但 Agnes 的路由粒度更粗——它不是在模型内部挑选专家，而是在模型之间挑选调度对象。

对成本的直接影响：约一半的使用者流量被路由到小模型或专化模型上，只有一小部分请求需要消耗最大计算资源。这意味着 Agnes 的成本结构中，大头不是"每次调用都用旗舰模型"，而是按需分配。这也是"免费"的经济基础之一。

2.6 真实使用者数据飞轮

最后一环：数据的来源。

Agnes AI 有 600 万使用者，日活 20 万以上。这意味着每天有海量真实的、多样的、甚至包含非主流语言和小语种的使用数据被产生。

训练流程大致是：

这就是一个正循环：

使用者越来越多 → 数据越来越多元 → 模型越来越贴使用者需要 → 感受越来越好 → 使用者越来越多

这个飞轮为什么 Agnes 能做到？ 因为聚合平台（例如 OpenRouter）只转发请求，看不到使用者和模型之间的完整交互闭环。Agnes 自己训练模型、自己给出 API、自己积累数据，这个闭环是完整的。

2.7 Speed as Product：一分钟内必须完成

贯穿以上所有工艺的最终原则：速度就是机型本身。

Yang 给出的硬标准是：使用者可以在一分钟内完成一次完整的研究。 为什么是一分钟？心理学研究表明，使用者对等待的感受是非线性的：

要达到这个速度，需要前面的每一项工艺协同配合：自研模型降低推理成本、DSPO 提高训练稳定性（减少反复试验）、CodeAgents 节省 token、意图翻译层减少生成返工、模型路由避免"杀鸡用牛刀"、数据飞轮持续提高成效。

用一句话总结：**"Speed as Product"不是机型上线后再去优化的工程目标，而是从一开始就指导整个工艺栈外观的机型哲学。**

2.8 工艺护城河总结表

三、表现横评：免费模型能跟谁打？

光说"免费"没意义，人们最关心的还是：它到底有多强？

3.1 Claw-Eval：Agent 能力的试金石

Claw-Eval 是当下最具参考价值的 Agent 基准之一。它评估的是 AI 能否像真正的软件工程师一样，在真实环境中自主规划、调用工具、执行多步骤任务。

Agnes-2.0-Flash 以 60.9% Pass@3 排名全球第 9，超越 Gemini 和 MiniMax，进入了全球前十。而 Agnes-2.5-Flash 在这个基准上的具体分数官方尚未公开，但依据官方说法，2.5 版本在所有基准上全面超越了 2.0。

这个排名的含金量很高：Claw-Eval 用的是三次独立测试的 Pass@3 指标——不是跑一次就给你个平均分，而是要三次都能成功才算借助。这意味着模型不仅要"偶尔能做对"，还要稳定可靠。

3.2 SWE-bench Verified：软件工程真实任务

SWE-bench Verified 衡量的是模型修复真实 GitHub issues 的能力，被业界视为"代码能力黄金标准"。

官方披露的数据：

*GPT-5.5 在不同评估体系下有两个版本：标准版约 84.4，Codex CLI 版约 88.7。

Agnes 2.5 Pro 的 82.7 分已经格外接近 GPT-5.5。但注意，这是 Pro 版本的成绩——Flash 版本的绝对排名官方没有给出具体的公开数据。依据 LinkedIn 和多家媒体的报道，Flash 在多项基准上超越了 GLM 5.2 和 DeepSeek 54 Pro 的部分子项，总体与同级别的开源模型处于同一竞争区间。

3.3 Multilingual SWE：多语言编码

3.4 与主要竞品的横向比较

几个观察：

3.5 性价比计算

假设你每天写代码 4 小时，平均每小时产生约 10,000 tokens 输出：

每个月光这一个数字，Agnes 就能帮你省下不少钱。当然，这不是说你应该完全依赖免费模型，但至少对于日常开发、原型验证、学习探索，它完全可以信赖，作为主力模型使用。

四、总结：值不值得用？

我自己主要在OpenCode的桌面版本，搭配第三方API使用各家模型，当然Agnes也是其中之一。

在使用者意图理解，代码生成、工作流优化、代码难题排查与应对、文档书写与事实核查几个维度的感受，我对于Agnes 2.5 Flash的评价是，高于Deepseek V4 Flash，与Deepseek V4 Pro相当或略低，不如Hy3但差距不大。

考虑到免费与稳定性（我使用Nvidia给出的免费Deepseek V4 Pro，但其额度很小且本身不稳定），再综合考量表现，我自己已经完全将Agnes 2.5 Flash作为默认的模型使用，偶尔用一下Deepseek V4 Flash开展交叉验证。

合适的情形

不合适的情形

一句话

Agnes-2.5-Flash 是当下市面上唯一一个把"免费 + 第一梯队能力 + 完整多模态"三件事同时做到的机型。它可能不是每一项都拿第一，但在"花最少的钱取得足够好的感受"这件事上，当下没有对手。

参考来源

官方文档与发布

学术论文

基准排名

工艺分析与采访

Benchmark 数据新闻

尾声

Agnes AI 的故事很有趣。一家新加坡创业公司，2000 万美元融资，不做聚合平台，自己训练从文本到图像到视频的全栈模型，然后全部免费开放。

这种打法在任何行业都算激进——但它之所以敢这么干，是因为它有别家没有的东西：完整的自研模型栈。不需要向 OpenAI、Anthropic、Google 交"过路费"，所以它能把售价打到零。

免费从来不是终点，而是一个让使用者先尝到甜头的入口。但如果 Agnes-2.5-Pro 能像宣传的那样逼近 Claude Opus 4.8，那这个入口可能比很多人想象的要深遂得多。

至于它能不能真正留住使用者？这种模式可以跑多久？我也没有答案，但也许答案就在笔者的手里。