算力利用率破65%:AIGCode如何用“L3级”编程模型突围?

JQR1

近期，AI编程领域发生了一场微妙的格局变化。随着行业内对“AI应用终局”的讨论愈发激烈，当许多厂商仍深陷L2级代码补全的“红海”苦战时，成立两年的技术团队AIGCode，正试图通过一套全栈技术方案实现代际跃迁。

AIGCode的核心判断在于:大模型的短板往往不在微调，而在于基座本身。其核心产品AutoCoder.cc旨在跨越“辅助驾驶”的L2阶段，直接向“自动驾驶”级别的L3迈进。在AIGCode的构想中，真正的AI编程应当能根据自然语言需求，端到端完成前端、后端、数据库的完整闭环，并具备运维部署能力。

为了达成这一目标，AIGCode构建了一个正向循环的闭环逻辑:通过L3级产品的实际应用生产高质量样本，再用这些样本训练更强的基座模型。这套被称为“3No范式”的理念，即“不依赖英伟达单一路线、跨越L2辅助、拒绝盲目堆量”，将算力利用率作为关键竞争壁垒。

在国产算力的应用上，AIGCode走出了不寻常的一步。在算力资源紧张的背景下，团队通过极致的软件优化与深度工程实践，在国产芯片集群上将MoE架构的算力利用率（MFU）提升至65%。这一成绩不仅展现了其在高性能优化领域的深厚底蕴，也通过实际案例证明了国产硬件生态在极致软件支撑下，完全能够抹平与主流硬件之间的鸿沟。

除了算力层面的“体力活”，基础研究是AIGCode的另一大重心。团队历时18个月研发的树形位置编码（TPE），在处理长文本和外推能力上展现了优于业界通用的RoPE方案的性能。此外，TPA(无损线性注意力机制)与专家解耦架构(PLE)等一系列创新，进一步完善了其底层技术矩阵。这些研究成果不仅获得了顶级学术会议的认可，更在商业化应用中展现了实际效率，使得开发者能够以分钟计完成复杂应用的构建。

目前，AIGCode的产品已成功触达海外中小企业主，证明了其技术方案的市场生命力。随着像美团、DeepSeek等头部力量相继跑通国产算力全链路，AI编程与算力基建的竞争维度正在发生根本性转变。在这个只有底层技术创新者才能走得更远的时代，AIGCode正试图通过算法与工程的深度融合，在竞争激烈的AI赛道中站稳脚跟，成为国产算力生态中不可忽视的“Windows”级力量。

来源：AIbase