分析师/智涵
“谁还有免费的API token？”“API账单又涨了？”“模型是变强了，我也快破产了。”
这些话最近在开发者论坛、创业公司群聊里反复出现，像一句句无奈的接头暗号。就连微软也撞上了这堵墙。2025年底，它向数千名员工开放Claude Code，鼓励大家用vibe coding重塑工作流。员工们太喜欢这个工具了——喜欢到仅仅6个月后，微软就收回了许可。不是工具不好，是token账单远超预期。Uber更惨：全年的AI编程工具预算，前四个月就烧光了。
大模型很强，但普通人真的用不起了。
这正是2026年AI行业最真实的困局。过去三年，整个行业卷参数规模、卷GPU数量、卷千亿万亿的算力集群。但到了真刀真枪的企业落地阶段，模型能力已经不是最大瓶颈——用不起、部署不了才是。
当行业从“比谁更强”进入“比谁更能干活”的阶段，谁来提供“高性价比”的解决方案，谁就能掌握定义下一个十年AI规则的话语权。
而最近全球AI社区的聚光灯，正打在一家相对低调但数据亮眼的公司身上——Agnes AI。
从ClawEval到Artificial Analysis等国际权威榜单，再到“全球AI Lab排名第9”的认证，这家公司正在用一套覆盖文本、图像、视频三栖能力的“全模态模型矩阵”，在全球AI江湖切开一道关键的裂口。
过去三年，大模型行业的竞赛逻辑简单且粗暴：参数量即话语权，算力集群即护城河。千亿、万亿、十万亿——参数如同核弹头的当量，堆得越高，声量越足。
然而，一场无声的“效率塌方”正在发生。
当参数从千亿跃至万亿，任务准确率提升不足2.3%，推理成本却翻了17倍。更致命的是，AI战场正从“聊天”转向“Agent干活”。一个Agent任务是拆解指令、调用工具、执行代码的多步长链，成本随链长指数级放大。许多场景ROI为负——省下的人力成本，甚至不够付API账单。
真正的瓶颈已经不再是“模型强不强”，而是“用不用得起、部署不部署得了”。
当成本成为新的标尺，评价体系也随之剧烈重构。过去大家更爱看“刷题榜”，问的是“模型能答对多少题”。现在，Claw-Eval和Artificial Analysis等真实任务导向的基准测试正在取代传统评测。它们不再迷恋纸面分数，而是追问一个更本质的问题：模型在真实场景中能完成多少任务？花多少钱？
正是在这两个新派评测体系中，一个名字高频出现。它同时位列视频、图像和文本模型的前列，而价格却低得令人怀疑看错了小数点。
这家公司叫Agnes。
它交出的成绩单脉络清晰：文本模型Agnes-2.0-Flash在Claw-Eval上部分任务超越Gemini Flash；图像模型Agnes-Image-2.0-Flash在Artificial Analysis图像编辑榜单进入全球前列；视频模型Agnes-Video-V2.0同样站稳视频生成榜单。三个模型、三条战线，同时在国际评测体系中站稳脚跟。
你可能会问：一家同时做三件事的公司，凭什么能把价格打到主流模型的十分之一？
答案不在烧钱补贴，而藏在其底层技术路线的结构性优势里——全模态协同。
很多AI公司的习惯路径是：先在一个赛道上跑出成绩，再慢慢补其他能力。但Agnes从一开始就把文本、图像、视频三条能力线打通成整体。
为什么？因为单一模态在Agent时代会天然“瘸腿”。
比如电商场景：给一张产品图，要求分析风格并生成短视频。单一模态需要先调图像模型“翻译”成文字，再调文本模型写脚本，最后调视频模型生成——三次调用、三次网络延迟，信息不断打折。
有人会说：那我同时调用三个顶尖模型，拼在一起不就行了？但这种“拼图式”多模态，只是把串联缺陷变成了并联混乱，三个模型各自优化，没有共享中间结果。你需要写大量胶水代码，忍受延迟，输出经常对不上。
真正的全模态，并不是简单将文本、图片、视频模型进行组合，而是在底层实现多模态能力的深度协同。基于Harness架构，Agnes通过统一的技术底座和 Web 端，将文本、图像、视频整合为一体，实现跨模态高效协作与信息共享。相比传统串联方式，这更能减少信息损失和推理冗余，用内部协同取代外部拼凑。
回到核心问题：为什么“三条腿”比“一条腿”更有效率？关键不在腿的数量，而在它们共用同一副骨架。单一模态每多一种信息就多一次调用和风险；拼图式方案只是堆砌问题；真正的全模态把跨模态成本降到趋近于零。
Agnes的低成本也源于此——靠重新设计效率链条，而不是砍性能。别人给每个模态单独建工厂，Agnes只建一座综合性工厂：三条生产线共用供电、物流和管理，运营成本远低于三个独立工厂的总和。
从文本到图像再到视频，任务自动往下推：文本拆解意图，图像生成画面，视频动起来。每条模型生产线单独看，都交出了足够硬核的成绩单。
文本模型：极致低价格，第一梯队的执行能力
Agnes-2.0-Flash的API定价为输入tokens 0.03美元，每百万输出tokens 0.15美元。这是什么概念？输出价格仅为许多主流模型的0.6%到5%，优势一目了然。
但便宜只是开始。真正让开发者兴奋的是：Agnes-2.0-Flash在Claw-Eval这个“硬核干活榜”上，部分任务表现甚至超越了Gemini Flash和很多公认的第一梯队选手。这意味着什么？省钱不省能力——用极致的低价格，完成同等复杂度的Agent任务。
它不仅能完成任务规划、文件编辑、代码生成、测试运行、页面调试与多轮迭代，更适合交付完整应用、交互式游戏以及研究型网页报告。
这里不妨看两个真实的测评案例：
案例一：飞机大战游戏
开发者只需用自然语言描述规则，Agnes-2.0-Flash 就能用HTML文件快速生成一个可交互的的网页飞机大战游戏，不依赖任何外部文件。支持键盘方向键控制，从输入指令到生成完整可运行的代码，不到1分钟——即写即玩，流畅上线。
案例二：极简背单词小程序
只需用语言描述你的学习需求，模型就能自动生成一个极简、安静的背单词工具。支持记忆卡片和语音，界面清爽，看着舒服，帮你养成长期学习习惯。
既能秒级生成可玩的小游戏，也能快速打造清爽专注的背单词工具——Agnes-2.0-Flash用实力说话：便宜只是表面，能应用、会思考，才是第一梯队的真本事。
图像模型：十分之一的成本，国际前列的品质
在图像编辑方面，Agnes-Image-2.0-Flash的定价更令人震惊：每1000张图片仅需3美元。而行业主流模型的平均价格普遍在30美元左右——Agnes的价格只有行业平均水平的十分之一。
低价就一定低质吗？看看它生成的例子：
比如，输入一句“帮我做一张2012年版义务教育教科书《人文·地理》上册的教材封面，采用庄重简洁的官方排版和怀旧的书本质感”，就把一本经典教材的年代感与严谨装进了一张朴素大方的封面里，既有学术味的庄重，又有学生时代的亲切感。
而在更强调视觉冲击力和创意表达的商业场景里，它同样能够胜任。
一套2026年世界杯主题海报，从史诗级全景的绿茵球场、巨星群像与地标元素融合，到超燃的射门瞬间与火焰光效，再到美式复古的做旧胶片质感——三组完全不同风格的画面，每一张都达到了商业赛事级的宣传质感。它不是只能出一种模版的“快消品”，而是能hold住复杂创意需求的“生产力工具”。
在Artificial Analysis的Image Editing Leaderboard上，Agnes-Image-2.0-Flash通过真实用户盲评进入了全球前列。参评者不知道图片来自哪个模型，纯粹根据生成质量投票。结果说明：效率竞争不是“低价低质”，而是更少的钱，同样的品质。
视频模型：把生成从“能跑”推到“好用”
文本和图像的价格已经够震撼了，但视频模型的定价几乎是在“刷新认知”。Agnes-Video-V2.0每生成一分钟视频仅需0.3美元。在行业普遍视频生成成本居高不下的背景下，这个价格让规模化视频制作第一次变得现实。
价格是A面，质量才是B面。我们从几个实操对比来看Agnes在视频能力上的突破：
在运镜语言方面，同样一段“森林中小提琴手”的提示词，其他模型生成的视频像一个“交作业”的任务——人物完成动作、运镜呆板；而Agnes的视频则展示出电影级的审美——镜头从地面野花开始，螺旋上升穿越树冠，运镜与人物情绪同步起伏，整个片段具备了商业短片的质感。
在物理规律方面，一段“工业缝纫机缝合布料”的画面，其他模型在面料轨迹和布料堆叠上出现明显穿模或贴图飘移；Agnes则准确捕捉了双手引导布料过针的连贯动作，连针脚下布料的微微褶皱和蕾丝花纹的错位细节都做了出来。
综合来看，Agnes-Video-V2.0已经在运镜语言、人物情绪表达、物理规律遵循、AI感消除等维度形成了明显的竞争力。视频生成不再只是“能跑”，而是真正达到了“好用”的水平。
回过头来看，这一切能够成立，根本原因还是那个Agent原生的底层设计。文本、图像、视频三个模型不是拼在一起的，而是长在一起的。任务像流水一样自然推进，成本像水电一样按量计费，这才是Agnes“高效率”和“低成本”真正成立的逻辑起点。
文本输出价格砍到一半，图像生成压到十分之一，视频每分钟只要三毛钱。这些数字放在一起，很容易被理解成“又一家公司在打价格战”。
但事情没那么简单。
英伟达CEO黄仁勋说过一个数字：过去两年，推理所需的计算量增长了约1万倍，使用量增长了100倍。算力需求在爆炸，成本下降的速度却远远跟不上。
但更深一层的问题是：就算成本降下来了，如果模型只会处理文本，那多出来的场景也只能是文本场景。真实世界不是由单一模态构成的。一个工厂的全流程质检，需要同时看图片、读仪表、听异响、记录日志；一个医疗Agent辅助诊断，要看CT影像、读病历文本、听心音、观察患者视频。缺了任何一个模态，这个场景就落不了地。
场景每扩大十倍，对模型“全能性”的要求就上一个台阶。只有全模态，才能接住那些真正复杂、真正值钱的场景。单一模态做得再好，也只能在窄门里打转。
这就是Agnes从一开始就坚持文本、图像、视频三条腿走路的真正原因——不是为了好看，是为了让成本下降释放出来的场景量级，能被真正消化掉。
当成本不再是门槛，当全模态可以一把抓起混合任务，一个更本质的变化就会发生：AI不再只是大厂的专利，不再只是那些付得起昂贵API账单的人的玩具。
Agnes希望服务那99.5%的互联网用户——那些从未使用过付费AI产品的人。这些用户可能在东南亚的小城市，可能在印度的农村，可能只是一个刚起步的独立开发者，月预算不超过100美元。对他们来说，AI不是“能不能更强”的问题，而是“能不能用得起”的问题。
这不仅是商业策略，更是一种选择。如果AI始终停留在“昂贵的基础设施”这个定位上，大厂的护城河会越来越深，创业公司连入场券都拿不到；小语种和边缘场景永远排期靠后；AI会变成一种特权，而不是一种权利。
Agnes赌的是另一条路：让AI像水电煤一样成为基础设施。你不需要思考“该用哪家”，因为你根本不会去想水龙头里的水来自哪个水厂。而谁定义了“性价比”的基准线，谁就定义了下一个十年的竞争规则。
这不是价格战——价格战是杀敌一千自损八百。这是价值战：你赢的方式，就是让用户赢。
对于正在为高昂AI账单发愁的开发者、内容创作者、中小企业来说，这可能不是纸上谈兵的愿景，而是明天就能用上的工具箱。因为Agnes已经把文本、图像、视频三个模型的价格，拉到了一个让所有人都能说“我来试试”的位置。
而这，才是一切的开始。
