斯坦福MIT天团出手！一美元养龙虾，图文视频全包，打工人神外挂

别人还在卷单点能力Agnes已经把文本Agent、图像、视频和办公自动化打包进开发者工具箱1美元「养龙虾」外加图像、视频、PPT一条龙给出的不是零散的能力点而是一整套AI生产力。近日Agnes旗下核心模型矩阵正式上线Zenmux平台https://zenmux.ai/models?sortnewest一口气开放四款主力模型调用覆盖文本Agent与多模态生成两大核心方向。其中包括Claw系列的Agnes-1.5-Lite与Agnes-1.5-Pro以及多模态方向的Agnes-Image-1.2与Agnes-Video-V1.2直接把「文本图像视频」的整套能力打包上线。更值得关注的是上线首周模型调用量即快速攀升已超过多家头部模型公司同类产品表现显示出强劲的市场接受度与开发者活跃度成为近期开发者侧增长最为迅猛的一组模型组合之一。Agnes模型矩阵在Zenmux正式上线在行业普遍进入「性能成本」双重竞争阶段的背景下Agnes通过高性价比模型与完整工具链的组合正在迅速打开开发者生态入口。AgnesClaw低至1美元的「养虾」入门神器在OpenClaw热度持续攀升之际Agnes将「Claw」接入自家AppAgnesClaw一键部署。用户通过订阅会员部分地区Starter新用户最低可低至1美元/月即可免费部署并使用AgnesClaw同时解锁平台全部高级功能性价比极高。AgnesClaw的入口前置到首页用户一键部署完成后在对话框中切换至AgnesClaw模式即可体验「养龙虾」整体学习体验成本极低。AgnesClaw目前支持与Telegram绑定后续接入更多平台提供定时任务、长期记忆和skills库包括Agnes预置常用skills如PPT生成、表格处理、图像/视频生成、AI搜索、深度研究等和开源skills。部分AI应用由于底层模型能力的限制可能存在无法安装或流畅运行特定skill组件的问题。而Agnes官方表示AgnesClaw凭借自研的「龙虾」基座模型与强大的工具调用适配能力几乎可以无缝安装并使用绝大多数热门skills。用户可以利用它创建定时任务、处理文件并整理为结构化文档、实现办公自动化等。同时AgnesClaw具备自我进化能力通过上下文理解和记忆能力在使用过程中能更好地理解用户习惯从而更有效地协助完成任务。一键部署AgnesClawAgnesClaw的最大亮点在于自研的「龙虾」基座模型这是赋予Agnes版本「龙虾」具备更强的理解力和skill适配能力的核心。Agnes为用户高性价比「养龙虾」专门推出了两款不同参数规模基于LLM优化的Agent模型分别是Agnes-1.5-Pro模型和Agnes-1.5-Lite模型。PinchBench榜单中Agnes-1.5 系列模型在准确性维度表现突出AgnesClaw定位「下一代极速多模态混合专家模型」架构上融合了隐式MoELatent MoE、Mamba-2状态空间模型与原生多模态早融合技术旨在同时解决超长上下文、高频工具调用、复杂Multi-Agent协作三大痛点打破传统「规模-延迟-记忆」三元悖论。根据全球权威「养虾」AI评测榜单PinchBenchAgnes-1.5-Pro模型在准确性维度表现突出已跻身榜单前列成为开发者「最佳养虾模型」选择之一。PinchBench榜单Agnes-Image-1.2开源第一闭源第二本次发布中Agnes 20B全新图像编辑模型Agnes-Image-1.2的表现超出预期。根据官方公布的测试数据该模型综合评分达到4.25分满分5分在闭源模型中仅次于NanoBananaPro的4.48分超越了Seedream4.0和Seedream4.5在开源模型中排名第一。全新图像模型综合评分达到4.25分满分5分在单项指标上Agnes-Image-1.2模型在人像维度提升尤为显著针对人像场景的定向微调有效增强了面部细节保真、局部编辑可控性以及与背景的自然融合能力Portrait从3.98提升至4.30(0.32)。同时Extract(2.47→3.05,0.58)与Viewpoint(2.82→3.17,0.35)也有进一步提升表明模型在目标区域分离与结构/几何稳定性方面更可靠有助于复杂编辑任务的一致性表现。完整模型家族覆盖多模态全链路除了Agnes-1.5-Pro与Agnes-1.5-Lite两款模型和Agnes-Image-1.2图像编辑模型Agnes这次还亮出了更加完整的模型矩阵包括搜索与研究模型、AI Slides模型、图片与视频生成模型。在图片和视频生成领域Agnes构建了完整模型体系包括图像和视频模型。除了之前介绍的Agnes-Image-1.220B模型Agnes另外还有一款19B的Agnes-Video-V1.2视频生成模型。据了解Agnes-Video-V1.2可实现原生音画同步生成支持图生视频和特定风格/角色的生成可适配多种业务场景。该模型采用双流音视频Transformer架构能在同一模型中同时生成音频与视频从而实现人物口型、动作与声音天然同步。模型经测试可在有限显存环境下运行方便企业级规模化部署和个人开发者的本地实验。在语言模型方面Agnes针对自己的主推市场东南亚地区推出了8B参数的东南亚小语种模型Agnes-SeaLLM目前已成为该地区小语种理解与生成任务SOTA模型。东南亚小语种模型Agnes-SeaLLM在信息处理和研究能力方面Agnes发布了Agnes-Search30B模型和面向复杂研究任务的Agnes-DeepResearch30B模型。前者在内部测试中实现78.6%的推理成本下降生成速度提升18.6%后者测试引用准确率为100%基准测试准确率平均提升14.3%。在办公自动化场景中Agnes-Slides30B模型可以将网页或文档内容自动生成为PPT通常1分钟即可生成15—20页演示文稿平均生成成本低至约每页几美分。模型后训练为主RLAF框架减少人工依赖在底层训练范式上Agnes采用的是一整套连续演进的技术路径从CPTcontinuous pre-training持续预训练到PTpost-training后训练再到以自建RLreinforcement learning为核心的强化阶段使模型能力可以持续迭代而非一次性收敛。更关键的是他们把「进化」这件事从模型层扩展到了Agent层。在AgnesClaw体系中Agent不仅调用skills还可以在任务执行过程中通过反馈不断优化自身策略实现智能体与skills的协同自进化。这意味着系统能力不再完全依赖预训练而是在真实使用中持续变强。支撑这套体系的是一支高度国际化的研究团队——成员来自斯坦福、伯克利、MIT、NUS、NTU以及清华、浙大、南大、东大等顶尖高校核心科研带头人包括来自微软亚研院、英特尔研究院的首席科学家以及高校教授与图灵奖得主门下研究者。他们提出了一套名为RLAFReinforcement Learning with Agentic Feedback的带智能反馈的新的强化学习框架以减少对人工标注的依赖。该框架包含两个自研核心组件DSPODynamic-filter Sequence-level Policy Optimization动态过滤序列级策略优化算法。官方数据显示在同规模模型对比中相比DeepSeek Search-R1 (GRPO,7B)实现34.1%的性能提升。UVUniversal Verifier通用验证器用智能评估器替换人工标注数据和人工定义的奖励机制。在RLAF框架中多个AI Agent会对模型输出进行自动评估从逻辑一致性、事实准确性和任务完成度等多个维度生成反馈信号。这种「AI训练AI」的方式可以减少大量人工标注从而降低训练成本并提升效率。随着AI行业进入新一轮竞争阶段成本效率正逐渐成为商业化成败的关键因素。而此次登陆Zenmuxhttps://zenmux.ai/models?sortnewest某种程度上也是Agnes一个关键分水岭——模型不再只是「榜单表现」而是直接进入开发者真实调用与对比的第一线。从上线一周的调用表现来看这套Claw多模态组合已经开始改写一部分开发者的选择。当越来越多模型走向平台化分发真正能留下来的或许不只是更强的参数规模而是谁更便宜、谁更好用、谁更能被快速接入真实世界。Agnes显然正在把答案往这个方向推。