从今天开始，文本、图像、视频三大模态的API，全部免费开放——这事终于有人干了。
这次出手的是Agnes AI——全球Top 10 AI Lab，正式宣布无限期免费开放旗下核心模型API。
具体包括：
- 文本模型：Agnes-2.0-Flash
- 图片模型：Agnes-Image-2.0-Flash
- 视频模型：Agnes-Video-2.0
一套组合拳，覆盖了从文字理解到视觉生成的全链路。先看一个视频模型的效果。
视频地址：
免费生成的视频依然能稳稳还原出上世纪的电影质感。但更值得关注的是，Agnes这次不是单独开放某个能力，而是把文本、图片、视频三类API打包成一套基础设施。
这意味着：开发者做Agent，设计师改图，短视频团队批量试分镜，都可以从同一模型体系里调用能力，不必在多个供应商之间来回切换。
那么其他模型的实际表现如何？实测走起。
先看文本模型Agnes-2.0-Flash。让它直接生成一个应用——地图App界面。
帮助我构建高德地图类型的地图App，以北京市东城区总部胡同明阳国际中心为起点。地图要可以放大缩小，输入目的地起始点，移动端垂直屏APP界面，地图应用UI设计，简洁界面，分层UI布局，圆角布局，中部，高坐标度图标，手机屏幕画幅，8K，UI界面设计，细节。1.写实实地图景观（高德/百度风格）卫星实景地图底图，城市道路路网，建筑标记，绿色植被区块，蓝色水系湖泊，道路分级，地点文字标签，缩放比例尺控件，定位点图标，室外光影写实
这个任务考察模型能否将产品需求、UI结构、交互逻辑和视觉风格融合到一起。从生成结果看，Agnes-2.0-Flash几乎把Prompt里的每项要求都一一兑现了。对于开发者来说，这种能力意味着早期原型可以从文字描述直接跳跃到可参考的交互稿，省去大量手动搭建的时间。
第二个场景：让它做一个手势控制的电影级3D AI网站。
Create a cinematic 3D AI website with breathtaking visuals.
生成的HTML里3D效果直接拉满。视觉、交互、体验全都压缩进一个需求里，模型不仅理解意图，还给出了可运行的代码。
更复杂的3D粒子系统也不在话下：
用 Three.js + MediaPipe Hands 做一个手势控制的 3D 粒子系统，单文件 HTML，要炫酷一点： 粒子（约 2.5 万个） 用自定义 ShaderMaterial：顶点着色器做闪烁（twinkle，按时间+位置正弦波动 + 距离衰减点大小），片元着色器做圆形柔光辉光（exp(-d*4) 径向 glow + AdditiveBlending），让粒子像发光星点。
效果相当炸裂。这类案例说明Agnes-2.0-Flash在处理复杂结构化任务时，目标不是只给答案，而是把一个可运行的项目拆解出来——这对Agent开发场景尤为关键。
接下来是图片模型Agnes-Image-2.0-Flash。第一个场景考验它是否能完全理解Prompt的意境。
赛博朋克动画场景，雨夜的未来东京人行天桥，潮湿反光的地面，金属框架的通道结构，头顶有荧光灯管照明，行人撑伞在雨雾中穿行，背景是被雨雾模糊的摩天大楼与霓虹招牌，冷色调为主，粉紫与青蓝的霓虹光晕在雾气中散开，朦胧的雨夜氛围感，镜头向通道深处延伸，景深效果，动漫渲染，细腻的光影与水汽效果。
生成的图片准确捕捉了潮湿、霓虹、景深等所有细节。第二个场景是电商主图。
少女已经完全跨出了屏幕，双脚稳站在地面上，一只手用力拨开残余的屏幕碎片向外推展，另一只手则伸向镜头前，仿佛邀你走进这个奇幻空间
第三个场景是信息图和社交媒体配图，考验图文排版与指令遵循能力。
一张手机社交APP的竖屏图文教程截图，采用从上到下的瀑布流排版。整体背景为温馨的浅米色，呈现出日系清新的美食排版风格。画面最顶部有手机系统的状态栏，清晰显示时间 ‘14:30’、5G信号图标、Wi-Fi图标和满格电池图标。nn状态栏下方，是居中排版的大字号主标题，深棕色粗体文字 ‘巧克力拿铁 零失败教程’，标题下方有一行较小的浅棕色英文副标题 ‘Chocolate Latte Recipe’。nn标题下方占据画面约三分之一比例的是一张高清的成品展示主图：放置在浅色木托盘上的一杯高透明度的玻璃杯装巧克力拿铁。杯内呈现出漂亮的分层：底部是深棕色的巧克力酱，中间是浓郁的浓缩咖啡与牛奶的融合层，顶部是绵密的奶泡，奶泡上撒着些许巧克力碎，并淋着深褐色的巧克力酱拉花。杯口装饰有一根肉桂棒和一小枝薄荷。
信息图不是简单画插画，它要处理标题、层级、留白、图标、说明文字之间的关系。Agnes-Image-2.0-Flash把这个复杂排版需求执行得相当干净。对于公众号封面、短视频海报、课程材料等场景，这类能力的价值很直观。
最后是视频模型Agnes-Video-2.0。围绕《龙族苏醒》主题生成15秒短片。
16:9 横屏，15 秒，奇幻史诗，龙之火焰。0-3 秒：俯拍古老山洞，洞内岩浆缓慢流动如河流般发出橙红色光芒，洞壁布满钟乳石，环境闷热湿润，每一块石头上都覆盖着晶莹的水珠。3-7 秒：中景，巨龙缓缓睁开眼睛，它的眼睛如灯笼般大小，瞳孔是金色的竖瞳，鳞片在岩浆光芒下闪烁如红宝石，每一片鳞片都清晰可见。7-11 秒：特写龙眼，瞳孔收缩视线聚焦，压迫感扑面而来，巨头移动带动周围空气流动形成风，岩浆开始沸腾冒泡气泡翻滚。11-15 秒：全景拉远，巨龙完全苏醒抬起头颅发出震耳欲聋的咆哮，声音穿透山洞，石块开始坠落，龙翼展开刮起狂风。【强化词】巨龙特效，火焰物理，鳞片细节，电影级，4K 高清，奇幻史诗。
视频地址：
15秒的效果已经带着迪士尼动画的质感。第二个场景测试音画同出。
[VISUAL]: EXT. CORNFIELD – SUMMER – BRIGHT SUN. A teenager runs through the corn, arms brushing against leaves, then stops at a clearing. He sits on the ground, breathing hard, and looks up at the sky. [SPEECH]: None [SOUNDS]: Corn rustle, breathing, insects. [TEXT]: None
视频地址：
音画同步一气呵成，中间没有违和感。对广告分镜、产品短片等场景来说，试错成本会大幅降低。
第三轮测试结合之前的图片生成案例，验证运镜能力：
大师级运镜，由远及近拉近，镜头推至天桥下，行人撑着伞匆匆忙忙
视频地址：
Agnes-Video-2.0稳稳拿捏住动态叙事。这些案例表明，视频模型已经不只是“能动起来”，而是能理解情绪、镜头、景别、光影和氛围共同服务于内容。
操作方式上，最直接的入口是Agnes官方API平台，申请Key即可按文档调用。如果使用Workbuddy，可以快速把图片或视频模型打包成Skill；如果使用Hermes这类本地Agent，也能将Agnes-2.0-Flash配置成默认模型。
从行业视角看，Agnes这一免费策略很可能触发多模态API的普惠拐点。过去两年，大模型竞争的主线是“更强”——参数更大、跑分更高、发布会更炸。但到了应用落地阶段，另一个问题越来越现实：谁能让人真正用得起？尤其是在Agent时代，一个工作流可能涉及几十次模型调用，成本会被成倍放大。很多AI应用卡在早期试错阶段——还没验证PMF，调用成本先上来了；还没形成收入，模型账单先跑起来了。免费API把这份压力往后推了一步：先让更多人用起来，先让开发者跑通Demo，先让创作者搭好工作流。只有当使用门槛降到足够低，模型能力才有机会从榜单走向真实应用。
当然，免费并不自动等于成功。真正决定模型能否长期留下的，还有稳定性、调用体验、生态工具、文档完整度、并发能力和开发者社区。尤其是全模态API，后续要面对的不是单点能力竞争，而是端到端工作流竞争：文本怎么规划任务，图像怎么生成素材，视频怎么完成动态表达，工具怎么串起来，失败怎么自动修复。但至少这次，Agnes给行业抛出了一个直接的问题：当高质量AI能力越来越像水、电、云服务器一样成为基础设施，它到底应该有多贵？如果说过去两年大模型竞争的关键词是“更强”，那么接下来，“更可用、更便宜、更容易接入”会变得同样关键——因为真正改变行业的，往往不是少数人用得起的尖端能力，而是足够多人能反复调用、持续试错、最终长进工作流里的基础能力。
