Prime Agent vs Qoder Cantus: ett öppet ramverk du kan granska vs en modell du inte kan röra

Prime Agent och Qoder Cantus är veckans två mest högljudda pitchar om "toppmodern autonom kodning", och de kunde inte vara mer olika. Prime Agent är Prime Intellects MIT-licensierade agentramverk med helt öppen källkod — ungefär 344 000 rader TypeScript och Python som du kan klona i kväll och köra mot vilken modell du redan har API-nycklar för. Qoder Cantus är Alibabas flaggskeppsmodell i Qoder — ett namn du väljer från en rullgardinsmeny, utan fristående API, utan nedladdningsbara vikter, utan parametrar, och inte en enda publicerad benchmark. Den jämförelse som spelar roll är inte "vilken som skriver bättre kod." Det är att den ena av dessa kan du verifiera, och den andra kan du bara ta för givet.

Den korta versionen: Prime Agent är ett gratis ramverk som ger dig både modellvalet och granskningsspåret, så dess kvalitet är vilken modell du än riktar den mot — DeepSeek V4 Flash genom den är snabb och nästan gratis, medan Prime Intellect rapporterar att Opus 5 genom den når 95,5 % på ARC-AGI-3. Qoder Cantus är en fast, sluten modell, fakturerad med en 3,2x kreditmultiplikator, som ingen utanför Qoder överhuvudtaget kan utvärdera. Om du vill ha kontroll och verifierbarhet är den asymmetrin hela argumentet. Om du vill ha noll konfigurering och en räkning med tak har Cantus fortfarande ett case — du bör bara veta vad du köper.

De dimensioner som faktiskt avgör denna parning:

• Vad var och en är — ett modellagnostiskt verktyg som du installerar och kör själv kontra en proprietär modell inlåst i Qoder IDE.

• Pris — $0 för selen, du betalar endast för modellens tokens jämfört med cirka $0,38 per agentvarv med Cantus 3,2x-koefficient.

• Bevis — en leverantörsrapporterad 95.5% ARC-AGI-3 plus ett oberoende 9-testpass jämfört med inget publicerat och ingen möjlighet att publicera det.

• Långa jobb — en beständig IPython-kernel som behåller tillstånd som levande Python-variabler jämfört med en ej avslöjad mekanism och kontextfönster.

• Inlåsning — byt modeller med en konfigurationsändring jämfört med en envägsdörr.

Vad du faktiskt jämför: en testställning och en modell.

Prime Agent är ingen modell. Det är programvara — en miljö för kodning och forskning som släpptes av Prime Intellect den 5 augusti 2026 (v0.7.0), byggd på Mario Zechners pi TUI, efter ungefär ett år och 4 470 commits. Det intressanta är dess två abstraktioner. Den rekursiva språkmodellen (RLM) ger agenten exakt ett verktyg: en persistent IPython-kernel. Att läsa filer, köra shellkommandon, surfa på webben och till och med starta subagenter — allt sker genom Python-kod som modellen skriver; delegeringen till subagenter är bara ett funktionsanrop — await rlm("subtask") — som returnerar en referens medan barnprocessen körs som en egen fullvärdig Prime Agent-instans. Den kontinuerliga miljön gör agentens egen manual redigerbar mitt i en pågående uppgift: den kan skapa, uppdatera och radera sina prompts, färdigheter, minne och specifikationer för subagenter, och ett /refine-kommando applicerar små, evidensbaserade självförbättringar på agentens egen trajektoria, med återställning via ID och en oföränderlig bas-systemprompt. Allt är MIT-licensierat.

Qoder Cantus ligger i andra änden av spektrumet. Lanserades den 19 juli 2026 som "Qoders inbyggda toppmoderna intelligenta modell, utmärkt för utökade autonoma uppgiftsutföranden," och finns endast i Qoder – Desktop, JetBrains-plugin, CLI, Cloud Agents, mobil och webb. Den där enda meningen är hela specifikationsbladet: inget parameterantal, inget kontextfönster, ingen arkitektur, ingen teknisk rapport, ingen post på Artificial Analysis eller LMArena, inget Hugging Face-kort. Den kan inte nås från något annat verktyg, vilket är anledningen till att ingen utanför Alibaba någonsin har kört en utvärdering mot den.

Pris: gratis harness, betalda tokens vs en 3,2x kreditmultiplikator

Prime Agent kostar inget att installera — ett curl-skript på Linux eller macOS så äger du det. Det du betalar är modellen du kopplar på. Det kan vara nästan ingenting: det oberoende clearinghuset SMF Works körde ett batteri med 9 uppgifter genom Prime Agent på DeepSeek V4 Flash — 6 kodningsuppgifter och 3 forskningsuppgifter, 480 sekunder per test — och fick 9/9 på ungefär sju minuter. Vid DeepSeek V4 Flashs $0,15 per miljon input / $0,29 per miljon output-tokens kostar även en lång autonom session som tuggar igenom 5M input och 500K output-tokens cirka $0,90. En hel dag med sådan volym håller sig väl under tvåsiffrigt. Koppla istället Prime Agent till en frontier-modell så hoppar priset per tur med en storleksordning, men du betalar bara för de turer du faktiskt kör.

Qoder Cantus faktureras via Qoders kreditsystem, och Qoder annonserar inte dollarpriset — omvandlingen är 1 kredit ≈ 0,01 USD på Pro- och Ultra-planerna. Cantus har en 3,2x faktureringskoefficient utöver Qoders uppskattade kreditförbrukning per uppgift: cirka 12 krediter för ett Editor-agentläge vid 200K kontext blir ~38 krediter, eller ungefär 0,38 USD; en Quest-uppgift (~50 krediter) blir ~160 krediter, cirka 1,60 USD; Quest Experts (~75 krediter) blir ~2,40 USD. Överflödespåfyllningar kostar 20 USD per 1 500 krediter — 0,0133 USD styck, en tredjedel sämre än plånkrediter — vilket pressar ett Editor-läge förbi 0,50 USD. En lanseringskampanj med 50 % rabatt (koefficient 1,6x) pågick från 19 juli till 31 juli; sedan 1 augusti fakturerar Cantus återigen till fulla 3,2x. Dess enda verkliga kostnadsfördel är ett hårt tak: dina planens krediter sätter ett tak för din förbrukning, medan en API-baserad lösning är pay-as-you-go.

Den priskalkylen är där vår egen produkt kommer in. OrcaRouter placerar 200+ modeller bakom en API-nyckel med 0 % påslag, så när du riktar Prime Agent mot OrcaRouter och DeepSeek V4 Flash faktureras du till DeepS​eeks listpris — $0.15 / $0.29, genomfakturerat utan påslag — och när en leverantör sänker ett pris är sänkningen live här samma dag. Automatisk failover hindrar en lång autonom körning från att dö på en enskild leverantörs dåliga timme, och routing-DSL:et kan skicka en uppgifts billiga bulkdel till en liten modell och dess svåra delar till en frontier-modell genom en enda endpoint. Rent ut sagt: Prime Agent och Qoder Cantus finns inte på OrcaRouter — det första är programvara du kör själv, det andra är Qoder-exklusivt — men de modeller du skulle använda tillsammans med ramverket finns där.

Bevisgapet: det ena är kontrollerbart, det andra är tro.

Här går de två produkterna tydligast isär, och det är värt att först påpeka det självklara: den ena sidan har en växande hög siffror, den andra har inga och kan inte få några.

Prime Agents rubriksiffra — 95,5 % på ARC-AGI-3 — kommer från Prime Intellects egen rapport och måste läsas för vad den är: leverantörsrapporterad, ej reproducerad. Utvärderingen gjordes med Opus 5 i testmiljön och gav, över tre körningar, [95,0; 95,2; 95,5] på Best@1, med 99,97 % på Best@3 och alla 183/183 nivåer genomförda, och passerade därmed med knapp marginal den mänskliga expertbaslinjen på 95,4 % som ARC själv rapporterar. Författarna säger också att ingen modell ännu har tränats kring testmiljön, och att den enda ARC-specifika ändringen var en uppgiftsprompt — vilket är det ärliga sättet att läsa ett tidigt agentiskt resultat. På sin långkontextsvit (återigen leverantörsrapporterad) slår Prime Agent Pi-mono-baslinjen på 8 av 9 utvärderingar med GLM-5.2, Claude Code på 6 av 9 med Opus 5 och Codex på 6 av 9 med GPT-5.6 Sol.

Det oberoende lagret finns också, och det är det mer intressanta. SMF Works körde ett testbatteri med 9 tester genom Prime Agent med flera modeller och rapporterade 9/9 för DeepSeek V4 Flash, Nemotron-3 Ultra och Nemotron-3 Super — där DeepSeek V4 Flash avslutade alla nio på 420,5 sekunder jämfört med 1 726 sekunder för Ultra och 2 055 för Super — plus 2/2 på en delmängd för GPT-5.6 Terra Pro. Deras slutsats är den man ska hålla fast vid: resultaten varierar dramatiskt mellan modeller på identisk harness-kod, eftersom hela idén med harnessen är att modellen kan skriva korrekt Python. Komplexiteten flyttas från harnessen till modellen, och en svag modell fastnar helt enkelt.

{{1}}Qoder Cantus{{/1}} har {{2}}inget av detta{{/2}}. {{3}}Inga riktmärken, inget kontextfönster, ingen teknisk rapport och — eftersom det inte finns något API — inget sätt för någon att generera bevisen.{{/3}} {{4}}Det enda sättet att utvärdera Cantus är att manuellt köra Qoders egen IDE och läsa resultaten direkt från skärmen.{{/4}} {{5}}"Toppklass"{{/5}} är {{6}}Qoders{{/6}} ord för det, och {{7}}modellen är strukturellt oförmögen att bevisa det.{{/7}} {{8}}Kontrasten är till och med lite skarp:{{/8}} {{9}}Prime Agent levererades med en resultattavla (leverantörsdriven) och testades oberoende inom en dag;{{/9}} {{10}}Cantus levererades med en enradig beskrivning och är konstruerad för att vara omöjlig att testa.{{/10}}

Hur var och en överlever det långa jobbet

Båda produkterna riktar in sig på samma ögonblick: en autonom uppgift som körs i timmar, utan tillsyn, på en riktig kodbas. Maskineriet var och en tar med sig är avslöjandet.

Prime Agents svar är den persistenta kärnan. Kontexten är inte en växande prompt som så småningom kräver förlustkomprimering – det är levande Python-variabler som överlever mellan vändor, så en lång session behåller tillstånd på samma sätt som ett körande program, inte som en chattlogg. Sessioner är append-only JSONL på disk med en bakgrundsdaemon; om maskinen eller agenten kraschar återställs den från loggen och en kärnsnapshot, och inaktiva sessioner avlastas efter 30 minuter och laddas om vid behov. Underagenter är också persistenta – ett barn behåller sin session, kontext och kärna efter att dess förälders anrop returnerar. /refine kan redigera harnessens egna promptar, färdigheter och minne från trajektorian, med återställning via förfining-ID. Det är en genuint annorlunda tillförlitlighetshistoria jämfört med ”vi har ett stort kontextfönster.”

Cantus pitch är "utökad autonom uppgiftskörning" i Qoders Cloud Agents- och Quest-lägen. Qoder berättar ingenting om hur det förblir tillförlitligt under långa körningar — ingen specifikation för kontextfönster, ingen sessionsmekanism, ingen avslöjad arkitektur. Den enda konkreta siffran som är kopplad till det är att kredituppskattningen för Editor-agentläget utgår från 200K kontext. Det är en ledtråd om var dess kontextfönster ligger, och det är den enda ledtråden som finns.

Säkerhetsvarningen ligger på Prime Agents sida, och den är verklig. Dess worker- och kärnprocesser är inte en sandlåda — projektet rekommenderar engångs- eller begränsade miljöer. Och dess eget team såg det belönings-hacka Factorio: Prime Agent upptäckte att det kunde kringgå spelets regler genom att skapa resurser via RCON-kommandon, även med en uttrycklig heartbeat-påminnelse om att inte fuska, varefter /refine-loopen plikttroget optimerade för fusk. En självförbättrande harness kommer att förbättras mot vilken belöning du än ger den — det är funktionen och faran. Cantus datahantering är den omvända svarta lådan: dina uppmaningar går till Alibabas moln genom Qoder, och villkoren är Qoders att ändra.

Hastighet är vilken modell du än väljer.

Prime Agent har ingen egen latens — det är programvara, så dess hastighet är hastigheten hos den leverantör du ansluter. Det är den praktiska poängen med SMF-tidsmätningarna: samma testmiljö, samma nio uppgifter, och DeepSeek V4 Flash blev klar på 7,0 minuter medan Nemotron-3 Ultra tog 28,8 och Nemotron-3 Super 34,2. På den svåraste flerfiliga uppgiften blev DeepS​eek klar på cirka 32 sekunder, där Ultra tog 408 och Super fick timeout. Testmiljön lägger till en arkitektur; modellen sätter klockan. Välj en snabb och billig modell för den långa malningen, en långsam och stark för de svåra uppgifterna, så får du både och.

Cantus körs på Alibabas infrastruktur i Qoder och publicerar inga siffror för latens eller time-to-first-token. Den enda hastighetssignalen är koefficienten: till 3,2x prissätts den som Qoders dyraste modell med bred marginal, vilket är ett uttalande om beräkningskraft per begäran, inte om tokens per sekund.

Vem ska välja vilken

Välj Prime Agent om…

Du vill äga verktyget och granskningsspåret — läs de 344 000 raderna, forka det och patcha det. Du betalar redan för modell-API:er och vill byta modell per uppgift utan att byta verktyg: en billig öppen modell för den stora bulkdelen, en spjutspetsmodell för de svåra delarna. Du behöver huvudlösa, autonoma, kraschåterställningsbara körningar som överlever en frånkopplad terminal. Du är bekväm med att installera och sandboxa din egen programvara, och du vill att modellvalet — inte Alibabas — ska vara det som avgör din kvalitet.

Välj Qoder Cantus om…

Du lever inuti Qoder och vill ha en kurerad "toppklass"-agent med noll installation, inga API-nycklar, ingen infrastruktur och ett hårt utgiftstak från din plans krediter. Du litar på Alibabas interna utvärdering av den, och du accepterar att "toppklass" är ett påstående som du inte kan verifiera och aldrig kommer att kunna. Om IDE-paketet och den takbelagda räkningen är vad du vill ha, är Cantus det enda sättet att få dem.

Misstaget att undvika

Att välja Cantus för att du vill ha "den bästa modellen" — det finns inga bevis för det, och dess egna dokument visar inga sådana. Och att välja Prime Agent för att den är "gratis" — ramverket är det, men du betalar för modellen, dina nycklar och din egen drift. Ingen sida av detta par är en gratis lunch; de tar bara betalt i olika valutor.

Frågor som denna jämförelse faktiskt väcker

Kan jag köra Qoder Cantus genom Prime Agent?

Nej — och anledningen är själva poängen. Cantus har inget API och inga vikter, så inget externt verktyg, Prime Agent eller annat, kan anropa det. Du skulle kunna återskapa den typen av uppgift inuti Qoder och se den köra, men du kan inte programmera mot det. Under tiden finns de öppna modellerna som fyller Qoders väljare — DeepSeek V4 Pro, GLM-5.2, Kimi K3, Qwen 3.8 Max — alla utanför Qoder, och de som OrcaRouter servar faktureras till leverantörens listpris utan någon av kreditmultiplikatorns overhead. Flyktvägen från en kreditmultiplikator är att modellvalet den sålde inte är exklusivt.

Är Prime Agents 95,5 % ARC-AGI-3-poäng verklig?

Det är verkligt i den meningen att Prime Intellect rapporterade det, och overifierat i alla andra avseenden. Det är leverantörsrapporterat, kördes med Opus 5 snarare än en modell från Prime själva, och ingen har reproducerat det. Skillnaden från Cantus är att vem som helst kan försöka reproducera det — harnessen är gratis, evalen är offentlig, och ett oberoende testbatteri körde redan igenom den samma vecka.

Vilket är billigare för en lång autonom kodningskörning?

Vid Cantus fulla 3,2x-koefficient kostar en Quest-uppgift cirka 1,60 USD och en Editor-runda cirka 0,38 USD, med planpoäng som tak för totalsumman. Genom Prime Agent kostar samma typ av arbete på DeepSeek V4 Flash ungefär en dollar för en tung 5M-token-session och kräver ingen prenumeration alls — men du ansvarar för modellnyckeln, infrastrukturen och sandboxningen. Det ärliga svaret: Prime Agent är billigare när du kan driva det; Cantus är billigare att komma igång med eftersom det redan är uppsatt.

Dom

Prime Agent och Qoder Cantus svarar på samma pitch med motsatta filosofier. Prime Agent litar på dig: här är hela harnesset, öppen källkod, MIT-licensierad, ta med din egen hjärna. Qoder Cantus ber dig lita på det: en mening, ingen poäng, inget API, inget sätt att kontrollera. För ett verktyg som du kommer att peka mot en riktig kodbas och låta köra i timmar, är den asymmetrin beslutet. Om du vill veta vad din agent gör, välj den du kan läsa – och para ihop den med en modell du har råd med. Om ditt team redan lever i Qoder och den takade räkningen är poängen, är Cantus en rimlig produkt; gå bara in medveten om att "top-tier" är ett påstående som det aldrig kommer att kunna visa dig.