Обзор Agnes-2.5-Flash: бесплатная модель ИИ для программирования — исправление ошибок, создание приложений и многофайловый рефакторинг на практике

Введение

Главная проблема AI-программирования больше не заключается в отсутствии мощных моделей. Для многих разработчиков проблема состоит в доступности.

Высококлассные помощники по программированию становятся всё дороже, географические ограничения могут нарушить устоявшиеся рабочие процессы, а агентские задачи, зависящие от API, быстро истощают бюджет. Это породило спрос на модель, которая должна быть достаточно компетентной для повседневной инженерной работы, достаточно стабильной для постоянного использования и достаточно дешёвой, чтобы не нужно было постоянно подсчитывать затраты.

Agnes AI заполняет этот пробел с помощью Agnes-2.5-Flash — новой текстовой модели, оптимизированной для программирования, агентских рабочих процессов и повседневной разработки. Компания заявляет, что Flash-модель останется бесплатной, а не будет использоваться как краткосрочная рекламная акция для привлечения пользователей.

Этот релиз также включает Agnes Code — десктопного агента, который может открывать локальные проекты, редактировать файлы, запускать инструменты, планировать повторяющиеся задачи, подключать несколько поставщиков моделей и обрабатывать непрограммные задачи, такие как работа с документами, изображениями, видео и презентациями.

Эта статья сохраняет порядок оригинального практического тестирования: сначала данные бенчмарков, затем исправление скрытых ошибок, создание полноценного веб-приложения с нуля, модификация игры с несколькими файлами, предстоящая Pro-модель и, наконец, самые примечательные функции десктопного Agnes Code.

Agnes-2.5-Flash для повседневной разработки

Agnes AI позиционирует Flash как рабочую лошадку для разработчиков, а не как флагманский продукт, нацеленный на максимальные вычислительные мощности.

По сравнению с Agnes-2.0-Flash, компания заявляет, что новая версия улучшена в следующих аспектах:

• Понимание кода
• Диагностика проблем на уровне репозитория
• Задачи по исправлению инженерных ошибок
• Выполнение многошаговых задач
• Сложные рассуждения
• Агентские рабочие процессы разработки

Оригинальная статья начиналась с визуального сравнения: модель Agnes-2.0-Flash и Agnes-2.5-Flash попросили нарисовать дождливый киберпанк-город ночью, используя только HTML Canvas. Старая модель пропустила несколько ключевых элементов, в то время как новая версия создала узнаваемый горизонт, косой дождь, неоновые вывески и голографические рекламные щиты.

Этот тест был качественным, но показал ожидаемые изменения. Модель должна более полно следовать длинным спецификациям, а не просто генерировать синтаксически корректный код.

Результаты внутренних бенчмарков по программированию

Agnes AI опубликовала внутренние сравнения по семи бенчмаркам программирования. Эти цифры являются результатами, представленными компанией, а не независимо воспроизведёнными данными из таблиц лидеров, поэтому их следует рассматривать как ориентировочные, а не окончательные доказательства.

Бенчмарк	Agnes-2.0-Flash	Agnes-2.5-Flash	Agnes-2.5-Pro
Terminal-Bench 2.1	52.5	62.3	77.3
SWE-bench Verified	72.4	75.6	82.7
SWE-bench Pro	49.6	50.4	61.8
SWE-bench Multilingual	67.3	69.1	78.7
SWE Atlas — Вопросы и ответы	15.8	36.5	40.8
SWE Atlas — Рефакторинг	11.4	29.5	42.4
SWE Atlas — Написание тестов	13.8	27.5	38.9

Наиболее значительное улучшение Flash заметно в SWE Atlas. Этот набор оценивает профессиональные инженерные рабочие процессы, выходящие за рамки обычного решения проблем, включая вопросы по кодовой базе, рефакторинг и написание тестов.

Диаграмма также демонстрирует важность контекста бенчмарков. Agnes-2.5-Flash улучшилась в каждом из перечисленных тестов, но не автоматически опережает всех конкурентов. Её главное преимущество — сочетание практических инженерных возможностей с бесплатным доступом, а не утверждение, что она является самой сильной моделью в каждой категории.

Три практических теста по программированию

Бенчмарки полезны, но разработчиков обычно волнует более прямой вопрос: сможет ли модель выполнить реальную работу по программированию, которую они сдают?

Автор оригинального обзора использовал три теста возрастающей сложности:

1. Найти и исправить вручную вставленную ошибку.
2. Создать полноценное приложение по одной спецификации.
3. Внести изменения в незнакомый проект, затрагивающие несколько зависимых файлов.

Тест 1: Сможет ли модель найти скрытую ошибку?

Первый тест использовал Clumsy Bird — заархивированную реализацию MelonJS с открытым исходным кодом, вдохновлённую Flappy Bird.

Рецензент сначала убедился, что игра работает нормально, а затем вручную изменил значение гравитации с 0.2 на 0 в логике движения.

Это изменение привело к аномальному поведению. Приложение не вылетало, птица всё ещё двигалась вверх при клике, но перестала падать, что делало игру неиграбельной.

Полный репозиторий был открыт в Agnes Code. Подсказка описывала только видимое аномальное поведение и не раскрывала изменённую строку.

Согласно отчёту тестирования, Agnes-2.5-Flash потратила около трёх минут на изучение проекта и генерацию диагностики. После получения разрешения на применение исправления она завершила редактирование примерно за 12 секунд. После исправления игра снова заставила птицу падать, обнаруживать столкновения с трубами и правильно обновлять счёт.

Что на самом деле выявил этот тест

Суть не в том, чтобы изменить одно число. Как только местоположение найдено, само исправление становится тривиальным.

Модели необходимо:

1. Изучить незнакомый проект.
2. Связать поведение во время выполнения с мобильной системой.
3. Найти соответствующий код реализации.
4. Выявить недействительные физические параметры.
5. Объяснить результат диагностики перед редактированием.
6. Выполнить минимальное исправление, не нарушая другого поведения.

Эта искусственно созданная ошибка также отсутствует в публичном списке проблем и истории pull-запросов проекта, что снижает вероятность того, что модель просто воспроизводит запомненное решение для данного конкретного сценария.

Это всё ещё тест рецензента, а не контролируемый бенчмарк, но он является полезным примером диагностики репозитория, ориентированной на симптомы.

Тест второй: возможно ли создать полноценное приложение с нуля?

Вторая задача уже не ограничивается исправлением.

Рецензент попросил Agnes-2.5-Flash создать AI Frontend Arena в одном HTML-файле. Приложение должно было обладать следующими функциями:

• Принимать общий промпт.
• Предоставлять три независимые панели ввода кода.
• Запускать введённый код в изолированных превью.
• Отображать три результата рядом.
• Оценивать визуальное качество, креативность, полноту кода, следование инструкциям и стабильность выполнения.
• Строить сравнительную лепестковую диаграмму.
• Ранжировать по общей сумме баллов.
• Генерировать однострочную оценку.
• Открываться напрямую при двойном клике на HTML-файл.

Это не простая посадочная страница. Она объединяет редакторский интерфейс, песочницу для рендеринга, логику оценки, построение графиков, управление состоянием и отображение результатов.

Сгенерированный инструмент был протестирован на трёх различных реализациях рисования сердечка с помощью кода. Файлы загружались, рендерились параллельно и сравнивались в одном интерфейсе.

Позже рецензент повторно использовал это приложение для сравнения Agnes-2.5-Flash с другими моделями. Такое повторное использование значит больше, чем один скриншот: функциональность вывода была достаточной, чтобы стать частью последующего оценочного процесса.

Необходимая осторожность

Автоматически генерируемую систему оценки не следует считать объективным эталоном лишь потому, что она выдаёт цифры и графики.

При реальном использовании разработчику следует проверять:

• Чётко ли определён каждый критерий оценки.
• Как ошибки выполнения влияют на оценку.
• Является ли оценка на естественном языке детерминированной.
• Действительно ли ненадёжный код изолирован.
• Могут ли внешние ресурсы покинуть песочницу.
• Даёт ли инструмент одинаковые ранги при повторных запусках.

Этот тест демонстрирует сквозную реализацию, но не независимо подтверждает качество судейского метода арены.

Тест третий: возможна ли координация изменений между файлами?

Последняя задача вернулась к Clumsy Bird, но на этот раз с гораздо более масштабными изменениями.

Репозиторий содержал несколько модулей JavaScript, ресурсы данных, HTML, CSS, конфигурационные файлы и файлы сборки. Изменения в одном интерфейсе без синхронного обновления вызывающего его кода легко приводят к сбоям.

Запрос заключался в добавлении режима гонки для двух игроков:

Разделить экран на верхнюю и нижнюю половины. В верхней части разместить красную птицу, управляемую клавишей W; в нижней — синюю птицу, управляемую стрелкой вверх. Предоставить каждому игроку независимые трубы и счёт. Птица, первой столкнувшаяся с трубой, проигрывает, другой игрок автоматически побеждает. При этом необходимо сохранять счётчик побед за всю историю игры.

Эта задача затрагивала изменения в состоянии игры, управлении, рендеринге, обработке столкновений, независимом подсчёте очков, логике победы, поведении при перезапуске и компоновке интерфейса.

Согласно отчёту, время работы составило примерно от десяти до двадцати минут. Финальная версия отображала две игровые зоны, независимые птицы, независимые препятствия, клавиатурное управление и общее количество побед за всю историю.

Почему третий тест так важен

Многие демонстрации кода ограничиваются одним файлом. Но настоящая программная инженерия редко столь локальна.

Редактирование на уровне репозитория требует от интеллектуального агента поддержания модели, включающей:

• Обязанности файлов.
• Зависимости модулей.
• Общее состояние.
• Потоки событий.
• Существующие соглашения.
• Поведение при сборке и выполнении.
• Границу между требованиями изменений и несвязанным кодом.

Результаты показывают, что Agnes-2.5-Flash способна справиться с осмысленными многофайловыми изменениями в небольшом унаследованном проекте. Однако это не доказывает её надёжность в корпоративных репозиториях с миллионами строк кода, строгими наборами тестов или сложной инфраструктурой развёртывания.

В формальной производственной среде от такого агента всё равно следует требовать демонстрации плана, запуска тестов, отчёта об изменённых файлах и предоставления патча для проверки.

Выводы по результатам трёх тестов

В совокупности эти тесты обрисовывают более чёткий профиль возможностей.

Тип задачи	Наблюдение	Практическое значение
Диагностика скрытой ошибки	Ручное выявление гравитационной ошибки по симптомам	Помогает при отладке незнакомого кода
Создание полноценного приложения	Построена работоспособная одностраничная среда сравнения	Демонстрирует планирование через несколько UI- и логических модулей
Многофайловый рефакторинг	Добавлен режим для двух игроков в существующем игровом проекте	Свидетельствует о понимании контекста репозитория и координации правок

Модель, похоже, подходит для многих распространённых задач разработки:

• Диагностика ошибок в ограниченной области.
• Реализация небольших приложений.
• Создание внутренних инструментов для разработчиков.
• Редактирование существующих frontend-проектов.
• Координация многофайловых изменений средней сложности.
• Запуск итеративных агентских рабочих процессов через десктопный клиент.

Текущих доказательств пока недостаточно, чтобы назвать её универсально равной сильнейшим платным моделям кодирования.

Но их достаточно, чтобы сделать бесплатный доступ весьма примечательным.

Agnes-2.5-Pro нацелена на более тяжёлые инженерные задачи

Agnes AI готовит Agnes-2.5-Pro — высокопроизводительную модель для профессиональных задач программной инженерии.

Предполагаемое разделение труда очевидно:

Flash — это модель общего назначения для повседневного кодирования и работы с агентными задачами.

• Pro предназначена для более глубоких рассуждений, работы с крупными кодовыми базами, понимания архитектуры, расширенной отладки и масштабных изменений в системе.

Внутренние диаграммы компании показывают, что Pro набирает больше баллов во всех семи тестах, включая 82,7 балла в SWE-bench Verified и 78,7 балла в SWE-bench Multilingual.

В исходной статье также упоминаются официальные демонстрации, включающие:

• Динамичный веб-интерфейс с несколькими полноэкранными видео
• Играбельную 3D-игру, созданную на основе краткого описания атмосферы
• Симулятор частиц и гравитации с 300 частицами, пятью цветовыми режимами, регулируемыми источниками гравитации и множеством вариантов взаимодействия — всё в одном HTML-файле размером 21,7 КБ

Эти демонстрации указывают на направление развития продукта, однако их качество не равноценно воспроизводимой инженерной надёжности. На момент публикации данного отчёта Agnes-2.5-Pro ещё официально не выпущена, её цена и производственные ограничения не раскрыты.

Agnes Code: больше, чем просто клиент для написания кода

Даже самой мощной модели требуется практичная среда для проверки файлов, вызова инструментов и управления длительными задачами.

Agnes Code — это нативное десктопное рабочее пространство для macOS и Windows. Более широкий официальный проект AgnesCode также описывает десктопное приложение для локальных агентных рабочих процессов, интерфейс командной строки (CLI) и программный интерфейс (API).

Интерфейс объединяет поле ввода с локальным контекстом проекта, моделями, навыками, приложениями и сгенерированными результатами.

В отличие от инструментов, предназначенных исключительно для написания кода, Agnes Code рассчитан на более широкий спектр задач:

• Генерация кода и редактирование кодовой базы
• Исследования и написание текстов
• Изображения и видео
• Презентации и офисные документы
• Обработка локальных файлов
• Автоматизация и задачи по расписанию
• Подключение инструментов и приложений

Эта широкая применимость важна для рабочих процессов, где кодирование — лишь часть задачи. Например, выпуск продукта может включать реализацию страницы, создание визуальных материалов, написание документации, подготовку слайдов и планирование последующего анализа.

Пользовательские провайдеры моделей

Десктопное приложение включает модели Agnes и поддерживает использование пользовательских провайдеров через конфигурации, совместимые с OpenAI, Anthropic и Ollama.

Интерфейс оригинального тестирования также демонстрировал сторонние передовые модели. Доступность провайдеров и совместимость подписок могут меняться, поэтому пользователям следует обращаться к текущему приложению, а не полагаться на скриншоты, сделанные на момент публикации.

Переносимость моделей снижает риск блокировки поставщика. Кроме того, оценка упрощается, поскольку можно тестировать одни и те же проекты и задачи у нескольких провайдеров, не перестраивая окружающий рабочий процесс.

Задачи по расписанию

Agnes Code может ставить в очередь периодические задачи, выполняющиеся без постоянного контроля.

Примеры включают:

• Ежедневное подведение итогов неудачных CI-запусков
• Подготовка заметок для ревью пулл-реквестов каждую пятницу
• Перестроение отчётов по фиксированному расписанию
• Проверка репозитория на наличие повторяющихся проблем обслуживания

Это напоминает циклические инженерные рабочие процессы, где повторяющиеся операционные задачи передаются агенту без необходимости ручного запуска каждый раз.

Периодическое автономное выполнение должно сопровождаться защитными мерами. Безопасная задача по расписанию требует ограничения прав, чётких результатов, уведомлений об ошибках, мониторинга затрат и утверждения перед выполнением разрушительных действий.

Предотвращение перехода системы в спящий режим во время длительных задач

Настройки десктопного приложения включают опцию, позволяющую компьютеру не засыпать во время выполнения задач Agnes Code.

Это небольшая, но полезная функция, решающая распространённую проблему локальной агентной работы. Длительные сборки, сканирования репозиториев или задачи генерации могут прерываться просто из-за того, что операционная система переводит машину в спящий режим.

Импорт памяти из других ИИ

Agnes Code также включает рабочий процесс для импорта ранее запомненных предпочтений и контекста проекта из других ассистентов.

png)

Данный интерфейс содержит подсказку, предлагающую другим ассистентам экспортировать структурированную информацию, например:

• Постоянные инструкции
• Рабочий контекст
• Описание проекта
• Предпочтения по инструментам
• Предпочтения по стилю письма
• Соответствующие личные настройки

Экспортированный текст можно проверить и вставить в Agnes.

Это снижает сложность миграции, но пользователю следует тщательно проверять экспортированное содержимое. Память может содержать личную информацию, устаревшие предположения, внутренние названия проектов или конфиденциальные данные, которые не следует передавать другим сервисам.

Бесплатный доступ: важно, но не безгранично

Возможности

Agnes AI публично заявляет своей миссией сделать искусственный интеллект мирового уровня доступным для всех. Компания делает бесплатный доступ к текстовым, графическим и видео-сервисам ключевой частью своей стратегии.

Что касается Agnes-2.5-Flash, в анонсе указано, что модель останется бесплатной, а не станет платной после пробного периода.

Это утверждение требует практического уточнения: бесплатный доступ не обязательно подразумевает неограниченную пропускную способность.

В публичных документах Agnes описаны ограничения на количество запросов, лимиты скорости и квоты в зависимости от тарифного плана. Эти значения могут меняться, а каталог моделей, опубликованный на момент подготовки, по-прежнему содержит предыдущие текстовые модели, а не Agnes-2.5-Flash.

Разработчикам следует проверить:

• Включена ли Agnes-2.5-Flash для их аккаунта
• Точный идентификатор модели
• Количество запросов в минуту
• Ограничения по контексту и выводу
• Лимиты одновременных запросов
• Недельные или дневные квоты
• Условия коммерческого использования
• Настройки хранения данных и конфиденциальности
• Распространяется ли бесплатный доступ на API, десктопное приложение или на оба

Бесплатный доступ может значительно упростить эксперименты. Надежность в производственной среде по-прежнему зависит от опубликованных лимитов, доступности сервиса, поддержки и стабильной документации.

Использование API Agnes AI

Agnes AI предоставляет совместимый с OpenAI шлюз по адресу:

https://apihub.agnes-ai.com/v1

Публичная документация рекомендует хранить API-ключ в переменной окружения и использовать стандартный формат Bearer Token.

В следующем примере показана модель интеграции. Название модели по-прежнему является заполнителем, так как в официальной документации на момент написания статьи не было подтверждено публичного идентификатора модели 2.5.

import os
from openai import OpenAI

api_key = os.environ.get("AGNES_API_KEY")
if not api_key:
    raise RuntimeError("Сначала установите переменную окружения AGNES_API_KEY.")

client = OpenAI(
    api_key=api_key,
    base_url="https://apihub.agnes-ai.com/v1",
)

response = client.chat.completions.create(
    model="Уточните текущий AGNES_2_5_FLASH_MODEL_ID",
    messages=[
        {
            "role": "user",
            "content": "Проверьте этот отчет об ошибке и предложите минимальное тестируемое исправление.",
        }
    ],
)

print(response.choices[0].message.content)

Перед использованием в производстве:

1. Подтвердите текущий ID модели на платформе Agnes.
2. Никогда не раскрывайте API-ключи в клиентском коде.
3. Добавьте тайм-ауты запросов и механизмы экспоненциальной задержки.
4. Ведите учет токенов или использования запросов в соответствии с квотой аккаунта.
5. Проверяйте вызовы инструментов перед выполнением.
6. Требуйте одобрения человека для деструктивных файловых операций или развертывания.
7. Фиксируйте версию, когда платформа предоставляет датированные или стабильные псевдонимы моделей.

Часто задаваемые вопросы

Что такое Agnes-2.5-Flash?

Agnes-2.5-Flash — это текстовая модель от Agnes AI, оптимизированная для программирования, агентных рабочих процессов, рассуждений и повседневных задач разработки. Она является преемником Agnes-2.0-Flash и позиционируется как основная модель в линейке Agnes для программирования.

Бесплатна ли Agnes-2.5-Flash?

Agnes AI объявила, что Flash останется бесплатным, а не будет доступен только в рамках временных акций. Фактическое использование может по-прежнему ограничиваться квотами запросов, лимитами скорости, тарифным планом, региональной доступностью и правилами добросовестного использования.

Доступна ли Agnes-2.5-Flash через API?

В отчетах о запуске указано, что более широкий доступ к API ожидается в течение недели после выхода десктопной версии. На момент написания статьи публичная документация не подтвердила новый ID модели, поэтому разработчикам следует обращаться к официальной платформе перед интеграцией.

Как Agnes-2.5-Flash сравнивается с Agnes-2.0-Flash?

Внутренние оценки Agnes AI показывают, что 2.5 Flash набрала более высокие баллы во всех семи опубликованных тестах по программированию. Наиболее значительные улучшения наблюдались в категориях вопросов-ответов по кодовой базе SWE Atlas, рефакторинга и написания тестов.

Может ли Agnes-2.5-Flash редактировать существующую кодовую базу?

Практические тесты показывают, что она может диагностировать скрытые ошибки и реализовывать функциональность, включая многопользовательский игровой режим с двумя файлами, в небольших существующих кодовых базах. Однако для крупных производственных кодовых баз по-прежнему требуются выполнение тестов, проверка патчей, управление разрешениями и контроль со стороны человека.

Что такое Agnes Code?

Agnes Code — это десктопное агентное рабочее пространство для локальных проектов и широких задач повышения производительности. Оно поддерживает контекст проекта, провайдеров моделей, плановые задачи, пользовательские интеграции и вывод содержимого, выходящего за рамки исходного кода.

Может ли Agnes Code использовать модели других провайдеров?

Протестированный десктопный интерфейс поддерживает пользовательских провайдеров, совместимых с OpenAI, Anthropic и Ollama. Полный список встроенных провайдеров и вариантов подписки необходимо уточнять в последнем приложении.

Проходили ли результаты тестов Agnes независимую проверку?

Таблицы тестов, обсуждаемые в этой статье, помечены как внутренние оценки Agnes AI. Независимые тесты в рейтингах могут использовать разных агентов, фреймворки, подсказки, вычислительные бюджеты и процессы проверки, поэтому прямое сравнение требует осторожности.

Связанные инструменты

• Agnes AI: Официальный сайт моделей Agnes, креативных сервисов и доступа к продуктам.
• Agnes Code: Официальная страница продукта — десктопного рабочего пространства Agnes.
• Документация AgnesCode: Документация по десктопному приложению, CLI, API, расширениям, навыкам, MCP и ACP.
• Платформа Agnes AI: Официальная консоль для управления аккаунтом, API-ключами, тарифами и доступом к моделям.
• Каталог моделей Agnes AI: Официальный репозиторий с примерами совместимого с OpenAI шлюза и публичной документацией по моделям.
• Clumsy Bird: Архивная игра с открытым исходным кодом, используемая для тестирования исправления ошибок и многозадачных изменений.

Связанные ссылки

• Обзор API Agnes AI: Официальная информация о совместимости API, аутентификации, функциях и безопасности.
• Организация Agnes AI на GitHub: Официальный репозиторий Agnes AI Labs и ресурсы для разработчиков.
• SWE-bench Verified: Вручную отобранный поднабор SWE-bench для оценки способности решения реальных проблем на GitHub.

Terminal-Bench: официальный бенчмарк для выполнения агентом реальных задач в терминальной среде.

• SWE Atlas paper: академическая статья о SWE Atlas.

08366): этот набор бенчмарков включает ответы на вопросы по кодовой базе, написание тестов и рефакторинг кода.

• SWE Atlas GitHub: официальный код и ресурсы для бенчмарков от Scale AI.

Резюме

Agnes-2.5-Flash объединяет более мощную модель кодирования с десктопным агентом, предназначенным для локальных проектов, повторяющихся рабочих процессов и мультимодальной продуктивности. В реальных практических тестах он диагностировал уязвимости, внедрённые вручную, создавал работоспособные однофайловые сравнительные приложения и выполнял совместные многомодульные игровые модификации.

Результаты внутренних бенчмарков компании показывают улучшение по сравнению с Agnes-2.0-Flash в семи задачах по кодированию, особенно значительное на треке SWE Atlas. Тем не менее, эти результаты следует рассматривать как внутренние, а не как универсальные, независимо воспроизводимые рейтинги.

Бесплатное использование — наиболее заметное преимущество продукта, однако разработчикам следует различать бесплатное ценообразование и неограниченную ёмкость. Доступность модели, лимиты скорости, квоты и точные идентификаторы API версии 2.5 необходимо уточнять на официальной платформе.

Привлекательность Agnes-2.5-Flash заключается не в доказательстве ненужности платных передовых моделей, а в возможности покрыть большинство сценариев повседневной работы с кодом без установления ценового барьера.