新智元報道

編輯：元宇

【新智元導讀】別人還在卷單點能力，Agnes已經(jīng)把文本Agent、圖像、視頻和辦公自動化打包進開發(fā)者工具箱：1美元「養(yǎng)龍蝦」，外加圖像、視頻、PPT一條龍，給出的不是零散的能力點，而是一整套AI生產(chǎn)力。

近日，Agnes旗下核心模型矩陣正式上線Zenmux平臺（https://zenmux.ai/models?sort=newest），一口氣開放四款主力模型調用，覆蓋文本Agent與多模態(tài)生成兩大核心方向。

其中包括Claw系列的Agnes-1.5-Lite與Agnes-1.5-Pro，以及多模態(tài)方向的Agnes-Image-1.2與Agnes-Video-V1.2，直接把「文本+圖像+視頻」的整套能力打包上線。

更值得關注的是，上線首周模型調用量即快速攀升，已超過多家頭部模型公司同類產(chǎn)品表現(xiàn)，顯示出強勁的市場接受度與開發(fā)者活躍度，成為近期開發(fā)者側增長最為迅猛的一組模型組合之一。

Agnes模型矩陣在Zenmux正式上線

在行業(yè)普遍進入「性能+成本」雙重競爭階段的背景下，Agnes通過高性價比模型與完整工具鏈的組合，正在迅速打開開發(fā)者生態(tài)入口。

AgnesClaw

低至1美元的「養(yǎng)蝦」入門神器

在OpenClaw熱度持續(xù)攀升之際，Agnes將「Claw」接入自家App，AgnesClaw一鍵部署。

用戶通過訂閱會員（部分地區(qū)Starter新用戶最低可低至1美元/月）即可免費部署并使用AgnesClaw，同時解鎖平臺全部高級功能，性價比極高。

AgnesClaw的入口前置到首頁，用戶一鍵部署完成后，在對話框中切換至AgnesClaw模式，即可體驗「養(yǎng)龍蝦」，整體學習體驗成本極低。

AgnesClaw目前支持與Telegram綁定，后續(xù)接入更多平臺，提供定時任務、長期記憶和skills庫，包括Agnes預置常用skills（如PPT生成、表格處理、圖像/視頻生成、AI搜索、深度研究等）和開源skills。

部分AI應用由于底層模型能力的限制，可能存在無法安裝或流暢運行特定skill組件的問題。

而Agnes官方表示，AgnesClaw憑借自研的「龍蝦」基座模型與強大的工具調用適配能力，幾乎可以無縫安裝并使用絕大多數(shù)熱門skills。

用戶可以利用它創(chuàng)建定時任務、處理文件并整理為結構化文檔、實現(xiàn)辦公自動化等。

同時，AgnesClaw具備自我進化能力，通過上下文理解和記憶能力，在使用過程中能更好地理解用戶習慣，從而更有效地協(xié)助完成任務。

一鍵部署AgnesClaw

AgnesClaw的最大亮點在于自研的「龍蝦」基座模型，這是賦予Agnes版本「龍蝦」具備更強的理解力和skill適配能力的核心。

Agnes為用戶高性價比「養(yǎng)龍蝦」，專門推出了兩款不同參數(shù)規(guī)?；贚LM優(yōu)化的Agent模型，分別是120B的Agnes-1.5-Pro模型和35B的Agnes-1.5-Lite模型。

PinchBench榜單中Agnes-1.5 系列模型在準確性維度表現(xiàn)突出

AgnesClaw定位「下一代極速多模態(tài)混合專家模型」，架構上融合了隱式MoE（Latent MoE）、Mamba-2狀態(tài)空間模型與原生多模態(tài)早融合技術，旨在同時解決超長上下文、高頻工具調用、復雜Multi-Agent協(xié)作三大痛點，打破傳統(tǒng)「規(guī)模-延遲-記憶」三元悖論。

根據(jù)全球權威「養(yǎng)蝦」AI評測榜單PinchBench，Agnes-1.5-Pro模型在準確性維度表現(xiàn)突出，已躋身榜單前列，成為開發(fā)者「最佳養(yǎng)蝦模型」選擇之一。

PinchBench榜單

Agnes-Image-1.2

開源第一，閉源第二

本次發(fā)布中，Agnes 20B全新圖像編輯模型Agnes-Image-1.2的表現(xiàn)超出預期。

根據(jù)官方公布的測試數(shù)據(jù)，該模型綜合評分達到4.25分（滿分5分），在閉源模型中僅次于NanoBananaPro的4.48分，超越了Seedream4.0和Seedream4.5，在開源模型中排名第一。

全新圖像模型綜合評分達到4.25分（滿分5分）

在單項指標上，Agnes-Image-1.2模型在人像維度提升尤為顯著，針對人像場景的定向微調有效增強了面部細節(jié)保真、局部編輯可控性以及與背景的自然融合能力，Portrait從3.98提升至4.30(+0.32)。

同時，Extract(2.47→3.05,+0.58)與Viewpoint(2.82→3.17,+0.35)也有進一步提升，表明模型在目標區(qū)域分離與結構/幾何穩(wěn)定性方面更可靠，有助于復雜編輯任務的一致性表現(xiàn)。

完整模型家族

覆蓋多模態(tài)全鏈路

除了Agnes-1.5-Pro與Agnes-1.5-Lite兩款模型和Agnes-Image-1.2圖像編輯模型，Agnes這次還亮出了更加完整的模型矩陣，包括搜索與研究模型、AI Slides模型、圖片與視頻生成模型。

在圖片和視頻生成領域，Agnes構建了完整模型體系，包括圖像和視頻模型。除了之前介紹的Agnes-Image-1.2（20B）模型，Agnes另外還有一款19B的Agnes-Video-V1.2視頻生成模型。

據(jù)了解，Agnes-Video-V1.2可實現(xiàn)原生音畫同步生成，支持圖生視頻和特定風格/角色的生成，可適配多種業(yè)務場景。

該模型采用雙流音視頻Transformer架構，能在同一模型中同時生成音頻與視頻，從而實現(xiàn)人物口型、動作與聲音天然同步。模型經(jīng)測試可在有限顯存環(huán)境下運行，方便企業(yè)級規(guī)?；渴鸷蛡€人開發(fā)者的本地實驗。

在語言模型方面，Agnes針對自己的主推市場東南亞地區(qū)，推出了8B參數(shù)的東南亞小語種模型Agnes-SeaLLM，目前已成為該地區(qū)小語種理解與生成任務SOTA模型。

東南亞小語種模型Agnes-SeaLLM

在信息處理和研究能力方面，Agnes發(fā)布了Agnes-Search（30B）模型和面向復雜研究任務的Agnes-DeepResearch（30B）模型。

前者在內(nèi)部測試中實現(xiàn)78.6%的推理成本下降，生成速度提升18.6%；后者測試引用準確率為100%，基準測試準確率平均提升14.3%。

在辦公自動化場景中，Agnes-Slides（30B）模型可以將網(wǎng)頁或文檔內(nèi)容自動生成為PPT，通常1分鐘即可生成15—20頁演示文稿，平均生成成本低至約每頁幾美分。

模型后訓練為主

RLAF框架減少人工依賴

在底層訓練范式上，Agnes采用的是一整套連續(xù)演進的技術路徑：從CPT（continuous pre-training，持續(xù)預訓練）到PT（post-training，后訓練），再到以自建RL（reinforcement learning）為核心的強化階段，使模型能力可以持續(xù)迭代，而非一次性收斂。

更關鍵的是，他們把「進化」這件事，從模型層擴展到了Agent層。

在AgnesClaw體系中，Agent不僅調用skills，還可以在任務執(zhí)行過程中通過反饋不斷優(yōu)化自身策略，實現(xiàn)智能體與skills的協(xié)同自進化。

這意味著，系統(tǒng)能力不再完全依賴預訓練，而是在真實使用中持續(xù)變強。

支撐這套體系的，是一支高度國際化的研究團隊——成員來自斯坦福、伯克利、MIT、NUS、NTU，以及清華、浙大、南大、東大等頂尖高校，核心科研帶頭人包括來自微軟亞研院、英特爾研究院的首席科學家，以及高校教授與圖靈獎得主門下研究者。

他們提出了一套名為RLAF（Reinforcement Learning with Agentic Feedback）的帶智能反饋的新的強化學習框架，以減少對人工標注的依賴。該框架包含兩個自研核心組件：

1. DSPO（Dynamic-filter Sequence-level Policy Optimization）：動態(tài)過濾序列級策略優(yōu)化算法。

   官方數(shù)據(jù)顯示，在同規(guī)模模型對比中，相比DeepSeek Search-R1 (GRPO,7B)實現(xiàn)34.1%的性能提升。

1. UV（Universal Verifier）：通用驗證器，用智能評估器替換人工標注數(shù)據(jù)和人工定義的獎勵機制。

在RLAF框架中，多個AI Agent會對模型輸出進行自動評估，從邏輯一致性、事實準確性和任務完成度等多個維度生成反饋信號。

這種「AI訓練AI」的方式，可以減少大量人工標注，從而降低訓練成本并提升效率。

隨著AI行業(yè)進入新一輪競爭階段，成本效率正逐漸成為商業(yè)化成敗的關鍵因素。而此次登陸Zenmux（https://zenmux.ai/models?sort=newest），某種程度上也是Agnes一個關鍵分水嶺——

模型不再只是「榜單表現(xiàn)」，而是直接進入開發(fā)者真實調用與對比的第一線。

從上線一周的調用表現(xiàn)來看，這套Claw+多模態(tài)組合已經(jīng)開始改寫一部分開發(fā)者的選擇。

當越來越多模型走向平臺化分發(fā)，真正能留下來的，或許不只是更強的參數(shù)規(guī)模，而是誰更便宜、誰更好用、誰更能被快速接入真實世界。

Agnes，顯然正在把答案往這個方向推。