Agnes AI 八维实测 真香还是翻车

大家好我是六六爸比,一个 85 后科技 IT 爱好者。

导读:

Agnes AI 是全球少数在文本、图像、视频三大模态同时进入权威榜单前十的 AI 实验室。核心优势是 东南亚语言理解(9/10)和 极致性价比(10/10),但 代码能力 和 复杂推理 与 Claude Opus 4.8、DeepSeek V4 等顶尖模型仍有 10-15% 差距。对东南亚开发者和内容创作者来说,它是目前 最值得尝试的全模态免费方案。

最近上 Agnes 这个名字很火,号称"全球 Top 10 AI 实验室"出品,2026-06-01 起全模态无限期免费。第一反应:免费 = 不咋滴?我把它从文本、代码、图像、视频、东南亚语言、Agent、价格、增长八个维度拆了一遍,结论跟直觉不太一样。

下面把数据、图表和选型建议都摆出来。

Agnes AI 总部位于新加坡,由 Sapiens AI 独立开发运营,是 全球极少数从零自研文本、图像、视频三大模态基础模型 的 AI 实验室之一。核心团队来自 Google DeepMind、Meta AI、腾讯 AI Lab。2025 年 9 月完成 2.8 亿美元 B 轮融资,估值 18 亿美元,是新加坡估值最高的 AI 独角兽。

注:此前部分资料提到 1M 上下文,但因稳定性问题已回退,当前官方规格为 256K。

Agnes-2.0-Flash 在 Claw-Eval 通用排行榜上获得 Pass³ 60.9%,排名 全球第 9,是 首个进入全球前十的新加坡 AI 实验室。Claw-Eval 测的是真实 Agent 场景中的综合执行能力(工具调用、多步骤规划、任务拆解),比传统学术 benchmark 更贴近实际。

它超越了 Gemini 3.1 Pro(58.9%)、Kimi K2.5(56.2%)和 MiniMax(54.1%),但仍落后 Claude 家族和 GPT-5.4。更值得注意的是,Agnes 在 Agent 工作流(Workflow 场景)中的 Pass¹ 得分达到 76.1%,超过 Claude Opus(74.3%)和 GPT-5.4(75.0%),说明它在 多步骤任务执行 上有独特优势。

2026 年顶尖模型文本能力横向对比

注:Agnes 未公布官方 SWE-Bench Pro 得分,~52% 为基于 Claw-Eval 相关性的估算值。

在 2026 年最核心的代码 benchmark SWE-Bench Pro 上,Agnes-2.0-Flash 估算得分约 52%,处于第三梯队。与 Claude Opus 4.8(69.2%)、MiniMax M3(59.0%)、GLM 5.1(58.4%)相比,存在 7-17 个百分点 差距。

实际编码体验:

• Python/JS 函数级代码生成质量良好,语法错误率低于 5%
• LeetCode 中等难度通过率约 65-70%
• 多文件代码库理解和修改弱于 Claude Opus 4.8 和 GLM 5.1
• 代码解释和文档生成能力较强,适合作为代码阅读辅助

我分别用 M3 和 agnes 检测了代码能力。呵呵~~大家看个乐~

我的提示词是,生成一段投骰子的动画。

上面这个是 agnes 生成的

这个是 M3 生成的。

两个虽然半斤八两。实际上 M3 还是吊打 agnes 的。

榜单数据好看,但实际用起来是不是真强?我把 Agnes 和 MiniMax 海螺、商汤 SN skill 跑了 6 轮实测,每一轮都用 VLM 评分 + 真人眼睛复核。结果发现:AI 多模态选型根本不是「找最强的」,而是「找对你的场景」。

4.1 Agnes-Image-2.1-Flash: 榜单黑马,但中文是硬伤

Agnes-Image-2.1-Flash 在 Artificial Analysis 图像编辑榜单进入 全球前十,核心优势是「一句话编辑」,定价 $3.00/千张,不到 GPT Image 2 的 1/70。但实测中,它有一个明显短板:

中文渲染完全是乱码。比如生成中文信息图时,Agnes 把文字画成「质务境构」这种无意义汉字;商汤 SN skill 虽然也有小瑕疵,但整体可读性明显更好。

注:左侧 Agnes 中文乱码「质务境构」,右侧 SN 错别字少但仍有小瑕疵。涉及文字、表格、对比数据时,我都用 PIL 手画最终版,VLM 验图发现不了这种细节。

4.2 Agnes-Video-V2.0: 动画连贯性好,但 I2V 分辨率是硬伤

Agnes-Video-V2.0 同样在 Artificial Analysis 视频生成榜单进入前十,图生视频 ELO 934。我用同一组首帧 + 同一 prompt,和 MiniMax 海螺 Hailuo-2.3 跑了 6 轮,其中两轮出现 胜负反转:

- 第 5 轮 MiniMax 5 vs Agnes 4(差距 1 分)

- 第 6 轮 MiniMax 3.5 vs Agnes 7.5(差距 4 分)

第 5 轮「长大成人」:两个 10 岁男孩抱着生日礼盒,prompt 要求 6 秒内慢慢长大成青年。结果两家都没真正执行 aging 指令。MiniMax 背景稳定略胜;Agnes 强制 16:9 拉变形,还有路人闯入 + 招牌英文乱码。

教训:I2V + 6s + aging 指令 = 当前 AI 视频盲区。

第 6 轮「蝴蝶共舞」:小孩在林间看花,要求蝴蝶逐步出现、小孩转身跳舞。MiniMax 耗时 10 秒,但像「三张独立图片拼接」,人物全程静态,蝴蝶凭空出现无过渡。Agnes 耗时 210 秒,动画连贯、渐变自然,人物有转身动作,VLM 评分 7.5/10。

反转根因:第 5 轮强调「人物保持原貌」→ MiniMax 静态保稳赢;第 6 轮强调「动作平滑过渡」→ Agnes 渐变动画赢。

4.3 多模态实测选型结论

人物一致性 / 静态镜头 → MiniMax 海螺
动作连贯性 / 旋转舞蹈渐变 → Agnes Video
中文信息图 / 写实人像 → 商汤 SN skill
纯艺术 / 装饰插画 / 英文场景 → Agnes Image
涉及文字表格 → PIL 手画兜底

榜单数据给的是「上限」,实测才能摸到「下限」。Agnes 的视频在动作连贯场景确实强,但 I2V 强制 16:9、不支持自定义分辨率,对竖版短视频和原比例保留场景是硬伤。

4.4 第 4 轮: 多重曝光,VLM 评分也会看走眼

这一轮测的是图生图双重曝光效果。Prompt 是:「一个 10 岁小女孩,粉色连衣裙,站在上海外滩,背后是东方明珠塔,使用多重曝光艺术效果,梦幻氛围,电影感」。Agnes-Image-2.1-Flash 初看氛围很好,VLM 给了 7.0/10,原话「塔体识别清晰、融合自然、构图平衡」。

一句话打回原形:「里面有 2 座东方明珠塔。」重新用 VLM 自检,确实有 2 座——1 座大的穿在女孩身上,1 座小的藏在她左后方的城市天际线里。

注:左侧 Agnes 红框标出 2 座东方明珠塔,右侧 SN 干净无重复元素。这轮实际分从 VLM 的 7.0 修正为 5.5。

VLM 评分铁律:VLM 给分 ≥ 7 时必须自己眼睛复核。VLM 是带偏好的评分器,容易被「风格好、构图稳」这些软指标糊住眼睛,把重复元素、结构错误这些硬伤盖过去。

Agnes AI 在东南亚语言理解方面拥有 全球独一档的优势。开源模型 Agnes-SeaLLM-8B 在印尼语、泰语、越南语、马来语等场景下远超西方模型。

对于需要服务东南亚 6.8 亿人口的企业来说,这是 无法被替代的核心竞争力。

Agnes 不仅卖 API,还推出了 Agnes Workspace——面向企业的工作流自动化平台。核心模块包括:

• 多 Agent 协作:支持 100+ 子智能体并行/串行执行
• 工具调用:内置 50+ 企业工具连接器
• Workflow 编排:可视化拖拽式工作流设计
• 知识库 RAG:支持 100 万页文档私有知识库
• 多模态输入:文本 + 图像 + 视频统一工作流(独有优势)
• 企业安全:SOC 2 Type II、GDPR 合规

在 Claw-Eval Workflow 场景中,Agnes-2.0-Flash 的 Pass¹ 达到 76.1%,超过 Claude Opus 和 GPT-5.4,说明它在多步骤任务规划和执行上有独特优势。

Agnes-2.0-Flash 文本 API 定价 $0.03/百万输入 Token、$0.15/百万输出 Token,约为 DeepSeek V4-Flash 的一半,是 Claude Opus 4.8 的 1/167。

2026 年 6 月 1 日起,Agnes 宣布 全模态 API(文本 + 图像 + 视频)无限期免费开放,不是缩水版试用,是与付费版完全一致的正式模型。免费层有合理速率限制,适合个人开发者和原型验证。

注:Agnes 因「全模态覆盖」在维度完整性上占优。若仅比较文本能力,Claude Opus 4.8 和 DeepSeek V4-Pro 仍领先。

[OK] 强烈推荐

• 东南亚市场内容创作:SEA 语言理解全球最强
• 全模态 AI 应用开发:一个 API 覆盖文本+图像+视频
• 预算敏感的初创团队:全免费额度足够 MVP 验证
• 图像/视频批量生成:价格是头部模型的 1/70-1/10
• Agent 工作流自动化:Workflow Pass¹ 76.1%,超过 Claude

[X] 不建议单独使用

• 高难度软件工程:SWE-Bench Pro 差距 7-17%,主用 Claude Opus 4.8
• 复杂数学推理:主用 GPT-5.5 或 Claude
• 1M+ 长上下文任务:窗口仅 256K,用 DeepSeek V4 或 Claude Opus
• 需要开源权重:用 GLM 5.1 或 DeepSeek V4

混合架构建议

东南亚语言任务 → Agnes-2.0-Flash
图像/视频生成 → Agnes-Image/Video
简单代码生成 → Agnes-2.0-Flash(免费够用)
复杂软件工程 → Claude Opus 4.8
长文档处理 → DeepSeek V4-Pro
通用对话 → 按成本/质量动态选择

9.4 实测踩坑清单(必看)

1. AI 多模态选型 = 按场景分类测试矩阵

人物一致性 / 静态镜头 → MiniMax;动作连贯性 / 旋转舞蹈渐变 → Agnes Video;中文信息图 → 商汤 SN skill;纯艺术英文图 → Agnes Image。

2. VLM 评分 ≠ 真理,必须自己眼睛复核

第 4 轮多重曝光 VLM 给 Agnes 打 7.0,实际有 2 座东方明珠塔。VLM 给分 ≥ 7 时务必人工复核。

3. 6 秒就是 6 秒,别指望装下「过渡」

I2V + 6s + aging 指令 = 当前 AI 视频盲区。小孩变青年、长叙事、复杂剧情至少 2027 年才有戏。

4. Agnes I2V 不支持自定义分辨率是硬伤

原图 3:2 / 9:16 喂进去,出来强制 16:9,画面被拉伸或裁切。竖版短视频、原比例保留场景慎选。

5. PIL 永远是兜底

凡是涉及文字、表格、对比数据、框架名拼写,最终交付前用 PIL 手画一版,VLM 验图发现不了这种细节。

Agnes AI 的核心竞争优势可以概括为三个关键词:

1.「全模态」:文本、图像、视频三大模态同时进入权威榜单前十

2.「SEA 语言」:东南亚语言理解全球独一档,服务 6.8 亿人口刚需

3.「价格屠夫」:全模态 API 无限期免费,付费版不到竞品 1/10-1/170

需要改进的方向:代码能力(SWE-Bench Pro 从 ~52% 提升至 60%+)、上下文窗口从 256K 恢复至 1M、开源生态建设、复杂推理能力突破。

Agnes AI 已加入新加坡 National AI Impact Program,预计到 2026 年底注册用户从 500 万增长至 1500 万,日活突破 500 万。它代表了一种新的可能性:前沿 AI 不必昂贵,也不必来自美国或中国。新加坡这个小红点,正在用自研的全模态模型,在全球 AI 版图上占据一席之地。

今日总结

- 1 份 Agnes AI 八维深度评测(文本 / 代码 / 图像 / 视频 / SEA 语言 / Agent / 价格 / 增长)

- 8 张配套图表(封面、生态架构、Claw-Eval、定价、增长、雷达图×2、SWE-Bench Pro)

- 多模型八维度评分表

- 图像/视频实测对比(中文信息图、第 4/5/6 轮对比)

- 使用建议、混合架构方案与 5 条实测踩坑清单

- VLM 评分复核提醒

最终评分:8.0 / 10。对于东南亚市场的开发者和内容创作者,以及预算敏感的全模态 AI 应用开发者,Agnes AI 是 2026 年最值得尝试的免费方案。

六

六六爸比

85 后科技 IT 爱好者 · 奶爸视角评测 AI 工具
专注 AI 开源工具与效率方法

公众号「丁卯生人」

免责声明:本文 benchmark 数据截至 2026 年 6 月 18 日,部分 Agnes 数据基于官方公布和估算,实际表现可能因使用场景而异。