【AI实测】智谱免费的图片和视频 API 到底行不行？一篇实测讲透
前面我认认真真测了 Agnes AI 的免费图片和视频模型——结论是”图片不写汉字能用、写汉字崩；视频画面勉强能用、精细度差一截”。先给 Agnes 定个档：按我测下来的印象，它的图片生成大概在 2025 年上半年的水平，视频可能还停在 2024 年。 把这个参照档位摆出来，后面”智谱比 Agnes 快/慢、强/弱”的横评，才换算得成绝对水平。测完 Agnes 我就在想：国产大厂里，智谱（BigModel）也挂着”免费文生图 + 免费文生视频”的招牌，它又是什么水平？
智谱是国内做大模型排前列的厂商，GLM 系列一直在更新。它的开放平台 open.bigmodel.cn 上，图像和视频生成这一档，免费模型只有两个：
cogview-3-flash—— 免费文生图（付费档是CogView-4/GLM-Image）cogvideox-flash—— 免费文生视频 + 图生视频（图生视频名义支持、实测无效；付费档是CogVideoX-2）
换句话说，智谱的免费图像和视频生成，免费能调用的最新型号就这两个 Flash（文本另有免费的 GLM-4-Flash 系列，不在本文范围）；更强的图像/视频旗舰款都得付费。这次我把这俩一起测了，并且照搬 Agnes 系列的同一套 benchmark 题横着比一遍：图片用同 8 题、视频用同 5 文生 + 3 图生，看国产免费的成色到底如何。这篇文章里每一张图、每一段视频都是我真跑 API 跑出来的，提示词照搬 Agnes 那两篇的经典 benchmark——只有这样，两边才比得公平。
太长不看（TL;DR）
不想看过程的，直接看结论。
一句话结论：除非你”完全不在意画质和效果、只在意免费 + 稳定 + 快”，否则别碰智谱这两个免费模型——在意画质的，看到这儿就可以关掉这篇、直接去用 Agnes（或其他付费模型）。下面是给”我就是只要免费”的人划的具体边界。
智谱这边能白嫖的就两个——cogview-3-flash（文生图）和 cogvideox-flash（文生视频 + 图生视频），同套题横评 Agnes 的结果：
图片档 cogview-3-flash
- ✅ 基线扎实：语义 / 构图 / 多主体 / 光影 / 手部解剖全过关（宇航员骑马、两猫下棋、逆光人像、双手捧杯都没崩）。
- ❌ 文字渲染不可靠、不分中英（最该知道的一点）：英文要 “AGNES AI”，它写成了竖排的另一个词；中文「花好月圆」画成形似假字「火禾偕甡」、思维导图全是「苣厦紊衽」「醴藦」这种鬼画符。
- ❌ 不支持图生图：免费档只能文生图，没有 Agnes 那种换背景 / 风格迁移的编辑能力。
- ⚡ 快、不缩水：默认带水印（可关）、1024² 给满 1024²、均值 ~8.4s（Agnes ~24s，快近 3 倍）。
视频档 cogvideox-flash
- △ 文生视频内容保真过关、但画质明显逊于 Agnes：5 条核心元素全对、无多腿/变形硬伤；质感偏”塑料 / 发糊 / 细节差”，同题 Agnes 锐利写实、差一截（5 条里水下那条相对最好，也别当高质量看）。
- ❌ 图生视频主体锁定全崩：3 个场景 0/3 锁住——官方支持图生视频，但实测输出从第 1 帧就无视输入图（食物：竹蒸笼→木托盘、小笼包都变样；地铁青年：关键帧对、视频却漂成另一个人；窗台橘猫：关键帧还被 cogview 画跑题）。
- ⚡ 比 Agnes 快得多：5s 成片均值等 ~61s（约 12 倍）；Agnes 1080p 3.4s 成片等 ~216s（约 64 倍），智谱耗时倍数约 Agnes 的 1/5。
- ✅ 接口更干净：
duration/resolution/fps，没 Agnes”帧数必须 8n+1”那个坑。
一个贯穿发现：cogview-3-flash 对”按指令落实指定内容”整体不可靠——文字渲染不分中英都崩，中文场景理解也崩（视频篇「橘猫坐窗台看雨」2/2 次画成”礼堂 / 花园女子”、根本没猫）。“把指定内容准确写出来 / 画出来”是免费 Flash 档的整体弱项。
所以怎么用：只图”免费 + 能跑 + 不限量”才考虑——做草稿、试水、批量出点不在意好看与否的素材，它能用、还快；但凡对画质 / 文字 / 一致性有点要求，直接上 Agnes 或其他付费模型。
下面是完整过程。
一、先认识智谱免费档：两个模型 + 鉴权怎么搞
Agnes 的鉴权很省心——标准 Authorization: Bearer <key>，完事。智谱多了一层”特色”，值得先说清楚，不然后面调接口（图、视频都一样）容易卡住。
两个免费模型速查
| 模型 | 类型 | 价格 | 上线 / 代际 | 本文用 |
|---|---|---|---|---|
cogview-3-flash | 文生图 | 免费 | 2024 年底上线（底座 CogView-3，2024 系列） | ✅ 图片篇 |
cogvideox-flash | 文生视频 + 图生视频（名义支持 / 实测无效） | 免费 | 2024 年底上线（底座 CogVideoX，2024-07「清影」同源） | ✅ 视频篇 |
cogview-4 / glm-image | 文生图（旗舰） | 付费 | 更新（付费档） | |
cogvideox-2 | 文生/图生视频 | 付费 | 更新（付费档） |
先把这俩免费模型的”代际”摆出来——都是 2024 年的底子。cogvideox-flash 背后是 2024 年 7 月发布的「清影」同源 CogVideoX（8 月开源 2B、9 月开源 5B 图生视频版、11 月升级到 1.5）；cogview-3-flash 底座是 2024 年的 CogView-3 系列，是智谱首个免费文生图。两者都作为 2024 年底上线的”Flash 免费全家桶”（语言 GLM-4-Flash、视觉 GLM-4V-Flash、出图 CogView-3-Flash、出视频 CogVideoX-Flash）对外免费开放。
拿这个代际和开头的 Agnes 定档一对就有意思了：智谱视频是 2024 年代际，和 Agnes 视频（我判它 2024 年水平）正好同代——本以为”同一代的货、画质该差不多”，但实测 cogvideox 画质明显逊于 Agnes（塑料/发糊），说明代际不是画质的决定因素、免费档的阉割才是；图片这边，CogView-3 也是 2024 年的系列，比 Agnes 图片（2025 上半年）还旧半代，但实测基线（语义/构图/光影/手部）只比 Agnes 略逊一线、没被代际差拉开——真正露底的是文字渲染（中英都没按指令写对）——说明代际不是唯一因素，免费档的文字渲染阉割才是智谱图片真正的短板。
- 图片端点：
POST https://open.bigmodel.cn/api/paas/v4/images/generations - 视频端点：
POST https://open.bigmodel.cn/api/paas/v4/videos/generations（异步，先拿id，再轮询GET /async-result/{id}） - base_url 统一是
https://open.bigmodel.cn/api/paas/v4
鉴权：两种方式，图和视频通用
去 open.bigmodel.cn 注册（新用户有 token 赠送，具体额度以官网当时活动政策为准），API Key 长成 {id}.{secret} 的样子（点号前后两段）。它支持两种鉴权：
方式一：直接 Bearer（推荐，最简单）
新版 HTTP 接口直接把完整 API Key 当 Bearer token 用就行，和 Agnes 一样：
curl https://open.bigmodel.cn/api/paas/v4/images/generations \
-H "Authorization: Bearer $ZHIPU_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"cogview-3-flash","prompt":"...","size":"1024x1024"}'方式二：JWT（智谱特色，旧版/高级用法）
把 {id}.{secret} 拆开，用 HS256 签一个 JWT，注意 exp 和 timestamp 都是毫秒级时间戳，header 里还要带 sign_type: SIGN：
import time, jwt
api_key = "你的id.你的secret"
aid, secret = api_key.split(".", 1)
ms = int(round(time.time() * 1000))
token = jwt.encode(
{"api_key": aid, "exp": ms + 3600*1000, "timestamp": ms},
secret, algorithm="HS256",
headers={"alg": "HS256", "sign_type": "SIGN"})
# 然后 Authorization: Bearer <token>两种都行，本文所有请求默认走方式一（直接 Bearer）。官方鉴权文档在 docs.bigmodel.cn/cn/guide/develop/http/introduction。
一个小坑：JWT 那套的 exp 是毫秒不是秒，且不能超过 7 天；用错单位会签出一个”立即过期”的 token，请求直接 401。
二、图片实测：CogView-3-Flash 八道经典 benchmark 逐题过
我照搬 Agnes 图片篇的 8 道文生图题，覆盖语义合成、英文文字渲染、中文多物体组合、中文海报、中文结构化图、风格光影、复杂场景、解剖结构。每张图都用外部视觉模型逐项检查（认字、数数、主体对不对），中文题还逐字辨认了图上的汉字。所有图都用 watermark: false 生成（去水印）。
第一题：宇航员骑马（文生图经典 benchmark）
文生图的”Hello World”，测主体组合 + 空间关系——宇航员得真的”骑”在马背上。
| cogview-3-flash（智谱，9.7s） | agnes-image-2.1-flash（Agnes，30.0s） |
|---|---|
 |  |
视觉模型检查：✅ 两边都通过，Agnes 略胜一筹。cogview：宇航员正确骑在马背上（双腿跨立、踩镫、姿态合理），火星红土沙漠 + 星空、电影感光影到位，人与马解剖均正常。Agnes：骑棕马、姿态正确，宇航服还带了国旗/任务徽章、天空挂着多个月亮——画面元素更丰富、构图张力稍强。
第二题：霓虹灯招牌写 “AGNES AI”（英文文字渲染）
文字渲染是文生图公认难点，绝大多数模型碰到”指定文字”就崩。
| cogview-3-flash（智谱，8.9s） | agnes-image-2.1-flash（Agnes，29.2s） |
|---|---|
 |  |
视觉模型逐字母辨认：❌ cogview 没写出指定文字。prompt 明确要求招牌写 “AGNES AI”，cogview 却生成了一根竖排的粉色霓虹招牌、上面是另一个词（视觉模型一次读作 “ELECTRIC”、一次读作 “LIFE”，两次读法不一致，说明那串字母本身也不太规整）——根本不是 “AGNES AI”。换句话说：它能画出干净、可读的英文字母（不像中文那样出形似假字），但不按 prompt 写指定的词，自己另造了一个。
对比 Agnes：同一个 prompt，Agnes 把 “AGNES / AI” 两行逐字母全对写了出来。这一题，指定文字渲染 Agnes 完胜、cogview 没过关。
第三题：两只橘猫下棋（中文 + 多物体组合）
一次测三个能力：中文 prompt 遵循、多主体数量（两只猫）、复杂场景（棋盘+霓虹+雨夜）。
| cogview-3-flash（智谱，8.3s） | agnes-image-2.1-flash（Agnes，26.7s） |
|---|---|
 |  |
视觉模型检查：✅ 两边都通过，Agnes 略胜一筹。正好两只橘猫隔棋盘对弈，棋子齐全，赛博朋克霓虹雨夜到位，中文 prompt 遵循得很好。Agnes 那张一只猫正伸爪走子、湿漉漉的毛发细节也更足——生动度稍高。
宇航员、两只猫这两题，加上后面的逆光人像、双手捧杯——cogview-3-flash 的基线很扎实，语义/构图/多主体/光影/解剖都过关。但一碰上”按指令把指定文字写进图”就露怯：第二题连英文指定词 “AGNES AI” 都没写对（见上），下一题更狠——把中文汉字直接”画”进图里。
第四题：中秋促销海报（中文文字渲染——海报场景）
提示词：中秋促销海报，深蓝色夜空一轮圆月……主标题大字「花好月圆」四个汉字居中放大，副标题「中秋特惠 全场八折」……。
| cogview-3-flash（智谱，8.6s） | agnes-image-2.1-flash（Agnes，20.0s） |
|---|---|
 |  |
视觉模型逐字辨认：❌ 崩了。要求的主标题「花好月圆」，cogview-3-flash 画成了「火禾偕甡」——每个字都和目标字”形似但不是”，是典型的中文渲染翻车（画出一堆笔画像、但根本不是那个字的假字）。副标题也模糊难辨。
对比 Agnes：同一个 prompt，Agnes 把主标题「花好月圆」、副标题「中秋特惠 全场八折」12 个汉字全部画对，一字不差。这一题，智谱免费档完败给 Agnes。
第五题：「时间管理」中文思维导图（中文文字渲染——结构化图）
比海报更狠：1 个中心节点 + 4 个分支节点（4×4=16 字）+ 4 段说明小字，文字分散排布，越分散越易崩。
| cogview-3-flash（智谱，8.0s） | agnes-image-2.1-flash（Agnes，14.0s） |
|---|---|
 |  |
视觉模型逐字辨认：❌ 全崩。中心要求「时间管理」，cogview-3-flash 画成「苣厦紊衽」；四个分支要求「明确目标/制定计划/专注执行/复盘总结」，实际是「麥監」「醴藦」「叛鹩」这种——全是形似假字、毫无语义，密集小字崩得最狠。
对比 Agnes：Agnes 中心「时间管理」对、四个分支名 16 字全对，只有方块下的密集小字说明崩了。也就是说——Agnes 在这道题是”标题全对、小字崩”，智谱是”连标题都全崩”，差距很明显。
一个反直觉的点：智谱是中国厂商，Agnes 是新加坡厂商，但在这套中文渲染题上，智谱的免费 Flash 档反而输给 Agnes。这不是说智谱中文能力不行——它的付费档 CogView-4 / GLM-Image 中文渲染 reportedly 强很多，只是免费 Flash 档确实弱。免费的天花板，在这里露了底。
第六题：渔夫逆光人像（风格 + 光影控制力）
测对”逆光 / 边缘光 / 黄金时刻 / 景深虚化”这些抽象美学描述的遵循度。
| cogview-3-flash（智谱，8.2s） | agnes-image-2.1-flash（Agnes，28.6s） |
|---|---|
 |  |
视觉模型检查：✅ 两边都通过，Agnes 略胜一筹。两边都有明确的方向性暖色边缘光勾出脸、发、胡须轮廓，背景浅景深 bokeh 虚化，非平光；但 Agnes 的皮肤/胡须质感更扎实、几乎无 cogview 那种轻微”塑料感”——写实度稍高。
第七题：俯拍 6 人晚宴（复杂场景精确数量）
提示词要求 exactly 6 plates, 6 forks, 6 knives, 6 wine glasses + 中央火鸡，专压精确数量遵循（DPG-Bench 题型）。
| cogview-3-flash（智谱，7.6s） | agnes-image-2.1-flash（Agnes，22.0s） |
|---|---|
 |  |
视觉模型检查：△ 两边都没过精确数量。cogview：火鸡居中 ✓，但只摆出约 4 个座位、餐具数（盘 11、叉 8、刀 8、杯 4）全偏离要求的 6；Agnes：火鸡居中 ✓，同样只有约 4 个座位、餐具（盘 4、叉 8、刀 4、杯 4）也不对。两边都没坐满 6 人、餐具精确数量也都没对上，难分高下——精确数量遵循是免费档内的常见问题，智谱和 Agnes 都没解决。
第八题：两只手捧咖啡杯（解剖结构——手部）
手部是 AI 生图公认难点（多指、缺指常翻车）。这题正面硬压，要求”十根手指清晰可见”。
| cogview-3-flash（智谱，8.0s） | agnes-image-2.1-flash（Agnes，22.5s） |
|---|---|
 |  |
视觉模型逐指数数：✅ 两边都通过，Agnes 略胜一筹。cogview：两手捧杯，解剖正确、无多指无并指无畸形，可见 8 指、另 2 指被杯体自然遮挡（合理，不算缺指）。Agnes：可见 9 指、解剖同样正常——题目要”十指清晰可见”，Agnes 更贴近要求。
图片小结 + 耗时
8 道题汇总（n=1，首跑）：
| 维度 | cogview-3-flash | 对比 Agnes 2.1 |
|---|---|---|
| 语义合成 / 多主体 | ✅ 过关 | Agnes 略胜（细节更丰富） |
| 英文文字渲染 | ❌ 字母干净但不按指令（要 AGNES AI、写成他词） | Agnes 胜（AGNES AI 全对） |
| 中文文字渲染（海报） | ❌ 崩（花好月圆→火禾偕甡） | Agnes 完胜（12 字全对） |
| 中文文字渲染（思维导图） | ❌ 全崩 | Agnes 胜（标题全对、仅小字崩） |
| 风格 / 光影控制 | ✅ 过关 | Agnes 略胜（写实度更高） |
| 复杂场景精确数量 | △ 火鸡对、餐具数不对 | 都失准（两边都没坐满 6 人） |
| 手部解剖 | ✅ 无畸形 | Agnes 略胜（可见指更多） |
耗时（服务端生成时间，1024×1024，单张）：
| 测试 | cogview-3-flash | agnes-image-2.1-flash |
|---|---|---|
| 宇航员骑马 | 9.7s | 30.0s |
| 文字渲染 “AGNES AI” | 8.9s | 29.2s |
| 两只橘猫下棋 | 8.3s | 26.7s |
| 中秋海报 | 8.6s | 20.0s |
| 思维导图 | 8.0s | 14.0s |
| 渔夫逆光人像 | 8.2s | 28.6s |
| 俯拍晚宴 | 7.6s | 22.0s |
| 双手捧杯 | 8.0s | 22.5s |
| 均值 | ≈8.4s | ≈24.1s |
比 Agnes 快了将近 3 倍（均值 8.4s vs Agnes 24.1s）。尺寸方面，请求 1024×1024 实际就给满 1024×1024，不缩水——这点比 Agnes 厚道（Agnes 横版请求 1920×1088 实际只给 1312×736）。
图片档还有两个特点：文字渲染硬伤 + 水印
文字渲染：免费档的硬伤（不分中英）。 这是 cogview-3-flash 最突出的短板。中文：海报「花好月圆」画成「火禾偕甡」、思维导图全是「苣厦紊衽」——不是画得丑，是画出来的根本不是那个字，是一堆笔画相似、但谁也读不通的假字。英文：能画出干净字母，但不按 prompt 写指定词——要 “AGNES AI”，它写成了竖排的另一个词（第二题）。一句话：cogview-3-flash 没法可靠地”按指令把指定文字写进图”，中英都一样。 为什么一个国产模型的文字渲染反而不如新加坡的 Agnes？我的判断是：这不是”中文能力”的问题，是”免费档型号”的问题——智谱的文字渲染能力都堆在付费的 CogView-4 / GLM-Image 上，免费的 Flash 是轻量快出图模型，文字渲染不是它的设计目标。
水印：默认带，但能去掉。 cogview-3-flash 默认 watermark: true，返回的图带显式 + 隐式数字水印（URL 文件名里能看到 _watermark 标识）。去水印加一个参数：
{"model": "cogview-3-flash", "prompt": "...", "size": "1024x1024", "watermark": false}前置条件：得先在智谱控制台「个人中心 → 安全管理 → 去水印管理」签一份免责声明，watermark: false 才生效。这点和 Agnes 不同——Agnes 免费档出图不带水印，智谱默认带、需主动关。
三、视频实测：CogVideoX-Flash 文生 5 条 + 图生 3 条
图片测完，自然轮到视频。智谱免费视频模型就 cogvideox-flash 一个（文生 + 图生），官方还挂了不少卖点——支持 4K、60fps、最长 10 秒、AI 音效。我照搬 Agnes 视频篇的同一套 VBench 类题，逐条抽中间帧用视觉模型核对。单帧只能判内容保真 + 画质，判不了运动流畅度（那得点开 mp4 看）。
3.1 文生视频：5 条逐题实测
5 条文生视频（duration=5，默认分辨率/帧率交给服务端）。
1. 单主体运动 · 橘猫海滩走（VBench 经典运动项）
提示词：A fluffy orange cat walking along a beach at sunset, gentle waves in the background, cinematic, slow motion
| cogvideox-flash（智谱） | agnes-video-v2.0（Agnes） |
|---|---|
 |  |
视觉复核：✅ 内容对——橘猫、日落海滩、海浪都在，四腿解剖正常；但画质偏”塑料感/毛发缺细节/边缘发糊”，典型 AI 生成的梦境感。对比右图 Agnes：同题 Agnes 的锐度、毛发质感明显更扎实，差距一眼可见。
2. 复杂多动态 · 夜间城市航拍（VBench 多动态元素）
提示词：Aerial drone shot of a busy city intersection at night, cars with headlights moving, neon signs, rain on the streets
| cogvideox-flash（智谱） | agnes-video-v2.0（Agnes） |
|---|---|
 |  |
视觉复核：✅ 内容对——航拍、车灯轨迹、霓虹、湿街反光都在；招牌文字全乱码（预期内，cogview 系文字渲染弱，上节已证）；画风偏数字艺术、不写实。对比右图 Agnes：Agnes 画面更干净锐利，智谱明显更糊。
3. 运镜控制 · 科幻走廊推镜头（VBench camera motion）
提示词：Dolly zoom shot moving forward through a long futuristic corridor with glowing blue lights, camera continuously pushing in, dramatic perspective, cinematic
| cogvideox-flash（智谱） | agnes-video-v2.0（Agnes） |
|---|---|
 |  |
视觉复核：✅ 内容对——未来感走廊、蓝色发光、强透视纵深汇聚点正确（单帧判不了镜头是否真”持续前推”，点 mp4 看）；画质偏绘画感。对比右图 Agnes：Agnes 光效和质感更扎实。
4. 特殊场景 · 水下海龟（流体渲染）
提示词：Underwater scene, a sea turtle swimming over a coral reef, sun rays filtering through the water surface, schools of fish, cinematic, slow motion
| cogvideox-flash（智谱） | agnes-video-v2.0（Agnes） |
|---|---|
 |  |
视觉复核：✅ 内容对——海龟/珊瑚/鱼群/阳光光束都在，是 cogvideox 5 条里质感相对最好的一条（水质没那么塑料）。但别误会成”高质量”——对比右图 Agnes：Agnes 的海龟壳纹、珊瑚细节、水体通透感都更胜一筹，智谱这条只是”矮子里拔将军”。
5. 复杂场景 · 夜市街道
提示词：A night market street with food stalls, steam rising from dumplings, people walking, lanterns swaying, cinematic, 4k
| cogvideox-flash（智谱） | agnes-video-v2.0（Agnes） |
|---|---|
 |  |
视觉复核：✅ 内容对——灯笼/食物摊/蒸汽/行人都在，氛围对；但整体发糊、印象派、无清晰可读招牌。对比右图 Agnes：Agnes 细节和清晰度明显更好（注：Agnes 这条成片更长，6.7s）。
文生视频小结：5/5 内容保真全部过关、无硬伤（多腿/变形这类结构硬伤都没有）。但画质整体明显逊于 Agnes——cogvideox 普遍偏”塑料感/发糊/毛发与纹理缺细节”，5 条里只有 underwater_turtle 质感稍好；同题并排对比 Agnes，Agnes 在锐度、纹理细节、写实感上都明显更高。之前若给人”两边大体同档”的印象，那是错的——质感差着一截，cogvideox 明显落后 Agnes，不是一个档次。
3.2 图生视频：cogview 关键帧 + cogvideox，锁不住人
文生视频救不了角色一致（和 Agnes 一样，每次生成都不一样）。业界标准解法是”关键帧 + 图生视频首帧锁定”——先用文生图锁主体，再让它接着动。智谱这条链是 cogview-3-flash 出关键帧 → cogvideox-flash 以关键帧为首帧生成视频。3 个场景测下来，一个都没锁住（0/3）。
1. 食物 · 夜市小笼包（❌ 没锁住）
| 关键帧（cogview） | 图生视频（cogvideox） |
|---|---|
 |  |
关键帧正确（小笼包在竹蒸笼里、白白胖胖带褶子 + 蒸汽 + 暖灯笼光）。但图生视频从第 1 帧起就完全是另一副样子——小笼包的形状、摆放都对不上关键帧，还从竹蒸笼跑到了木托盘上、蒸笼整个不见了。cogvideox 没保住输入图、等于无视关键帧按文本另画了一段，一致度”低”。
2. 人物 · 地铁青年（❌ 漂成另一个人）
| 关键帧（cogview） | 图生视频（cogvideox） |
|---|---|
 |  |
关键帧正确（青年 + 浅色衬衫 + 地铁车厢 + 蓝座椅）。但图生视频中间帧变成了另一个人（短深色头发、深色衣服）、另一个场景（昏暗室内/酒吧，根本不是地铁）——cogvideox 图生视频没锁住主体，人和场景都漂了，一致度”低”。
3. 动物 · 窗台橘猫（❌ 关键帧就跑题）
| 关键帧（cogview） | 图生视频（cogvideox） |
|---|---|
 |  |
关键帧 prompt「橘猫坐窗台看雨」，cogview 两次生成都没出猫：第一次给了一个”阶梯木台 + 人群的礼堂”，重跑一次变成了”花园里的年轻女子”——cogview-3-flash 对这条中文场景 prompt 的理解完全跑题（2/2 次无猫）。图生视频中间帧里出现的则是一只灰猫。这条链从关键帧阶段就崩了，一致度”低”。
图生视频小结：3 个场景全军覆没、0/3 主体被稳定锁定。两个环节都暴露问题：
- cogview 关键帧不稳——cat 场景中文 prompt「橘猫坐窗台看雨」2/2 次完全跑题（这是下一节”贯穿发现”要展开的）。
- cogvideox 图生视频根本锁不住主体——food 关键帧明明正确（竹蒸笼小笼包），图生视频从第 1 帧就把它改成了木托盘上的另一副样子、蒸笼都没了；man 关键帧也正确，照样漂成另一个人/另一个场景。连食物特写这种最简单的主体都保不住。
更深一层：cogvideox-flash 官方是支持图生视频的（文档列了 image 参数、模型能力含图生视频），脚本也确实把 image 传进了请求、API 正常返回视频。但实测 3 条输出从第 1 帧起就完全无视输入图、只按文本 prompt 另生成——等于这个图生视频功能”名义上有、实际不工作”，输入图基本是个摆设。
对比 Agnes 图生视频：Agnes 视频篇同套 3 场景 3/3 主体一致度”高”（窗台橘猫、地铁青年、夜市小笼包全锁住）。智谱本批 0/3，图生视频主体锁定能力明显弱于 Agnes。
顺带一个比 Agnes 友好的点：智谱 cogvideox 的 image 参数同时接受 URL 和本地文件/base64；Agnes 的图生视频只接受 http(s) URL，本地图得先传到公网。对接上智谱这点更省事。
3.3 视频耗时：12 倍定律（智谱比 Agnes 快得多）
视频接口是异步的：先 POST /videos/generations 创建任务拿 id，轮询 GET /async-result/{id} 看 task_status，等 SUCCESS 后从 video_result[0].url 拿下载链接（还有个 cover_image_url 封面）。
文生视频 5 条（服务端生成耗时；智谱成片均 5s，Agnes 成片 3.4s、夜市那条 6.7s）：
| id | cogvideox-flash | agnes-video-v2.0 |
|---|---|---|
| cat_walking_beach | 52.6s | 235.2s |
| city_traffic_aerial | 62.7s | 203.3s |
| dolly_zoom_corridor | 63.0s | 190.0s |
| underwater_turtle | 62.6s | 237.5s |
| night_market_street | 63.1s | 351.5s |
| 均值 | ≈60.8s | ≈243.5s |
智谱视频生成快得多——均值 60.8s vs Agnes 243.5s，绝对耗时约为 Agnes 的 1/4、单条快 3–4 倍。若按”耗时 ÷ 成片时长”算倍数：智谱约 12 倍、Agnes 约 60 倍（前 4 条 81 帧短片），智谱的耗时倍数约为 Agnes 的 1/5。这是智谱视频档相对 Agnes 几乎唯一的优势——快（画质和主体锁定都明显输，见上下文）。
智谱 vs Agnes 视频接口差异（给要自己调 API 的人）
| 维度 | 智谱 cogvideox-flash | Agnes agnes-video-v2.0 |
|---|---|---|
| 参数体系 | duration(秒) / resolution / fps | num_frames(8n+1) / frame_rate / width / height |
| 帧数坑 | 无 | 必须 8n+1（81/121/161/241/441） |
| 创建端点 | POST /videos/generations → 拿 id | POST /videos → 拿 video_id |
| 轮询端点 | GET /async-result/{id}（在 /v4 下） | GET /agnesapi?video_id=（不在 /v1 下） |
| 状态值 | SUCCESS / PROCESSING / FAIL | completed / queued / in_progress / failed |
| 下载字段 | video_result[0].url（直觉） | remixed_from_video_id（坑爹，不是 video_url） |
| 图生视频 image 参数 | URL 或 本地/base64 | 只 URL |
| 单条耗时 | ~61s（5s 成片，≈12 倍） | ~216s（3.4s 成片，≈64 倍） |
一句话：智谱视频接口设计更干净、字段更直觉、还没 Agnes 那几个反直觉的坑；代价是图生视频主体锁定能力弱。
四、限流：官方只卡”并发数”（图、视频都一样）
Agnes 那两篇我花了一大节实测并发——因为 Agnes 官方对限流只字不提，只能自己压。智谱这边省事多了：官方有公开的速率限制文档（docs.bigmodel.cn/cn/api/rate-limit），规则写得很清楚，我直接引，不重复造轮子压测。规则对 cogview-3-flash 和 cogvideox-flash 一致（都是只卡并发、不卡日用量；具体并发数因模型和等级而异，见下表）：
- 限流维度是”并发请求数”——即”同一时刻正在处理中的请求数量”，不是 QPS（每秒请求数）、也不是每日调用次数。
- Flash 系列免费模型（含 cogview-3-flash、cogvideox-flash）不设每日调用上限、不设 QPS 硬上限，只限制同时并发数。
- 并发上限按账户的积分等级（V0–V3）分配，图、视频两个模型独立计算；免费用户默认是 V0。
- 高峰期（工作日白天、每天 15–18）会有动态限流。
- 撞到限流返回错误码 1302（并发达上限，降并发/排队/重试）；平台整体过载返回 1305（稍后重试）。
各等级并发上限（官方文档口径）：
| 积分等级 | 门槛（累计消费） | cogview-3-flash（图） | cogvideox-flash（视频） |
|---|---|---|---|
| V0 | 默认（免费） | 1 | 3 |
| V1 | 满 2000 | 20 | 5 |
| V2 | 满 10000 | 30 | 10 |
| V3 | 满 50000 | 40 | 15 |
重点看 V0：免费档图片并发只有 1 路——批量出图得一张一张排队，挺慢；视频 3 路稍宽裕。要拉高并发只能靠累计消费升等级（V1 要消费满 2000），那就基本脱离”纯免费”了；订阅 GLM Coding Plan（Lite/Pro/Max）是另一条提权路径，具体以控制台「速率限制」页为准。
翻译成大白话：智谱免费档不会因为你”今天调太多”把你封了，也不会卡你”每秒只能发几个”——它只管”你同时能开几路”。但免费 V0 这几路很少（图 1 / 视频 3）：稳定是真稳定，吞吐很低也是真低，批量出图基本得排队、配合重试能跑但快不起来。比起 Agnes 那种”官方不说、全靠压测才知道瓶颈”，智谱这点透明得多。本次图片 8 张 + 视频 8 条（含重跑）都没撞限流。
五、贯穿发现：文字渲染不分中英都崩，中文场景理解也不稳
把图片篇和视频篇合到一起看，有两个比单个结论更值得注意的发现：
发现一：文字渲染不分中英，都不按指令。 cogview-3-flash 一碰上”把指定文字写进图”就不可靠——英文 prompt 要 “AGNES AI”，它写成了竖排的另一个词（第二题）；中文要「花好月圆」，画成形似假字「火禾偕甡」（第四题）。差别只在失败形态：英文还能写出干净字母、只是词不对；中文连字都画不对，直接一堆形似假字。
发现二：中文场景理解也不稳。 视频篇里要求关键帧「橘猫坐窗台看雨」，cogview 两次跑题——一次给”阶梯木台 + 人群的礼堂”，一次给”花园里的年轻女子”，2/2 次画面里根本没有猫。
两件事合起来意味着：cogview-3-flash 对”按指令把特定内容（文字、场景）准确落实”这件事整体不可靠。这又进一步波及视频链路——用智谱免费档做”中文 prompt → cogview 关键帧 → cogvideox 视频”这条图生视频链，关键帧阶段就可能跑题，整条链的可靠性打折（视频篇的窗台橘猫正是这么崩的）。
为什么”国产模型反而中文弱、连英文指定词也写不对”？和图片篇的判断一致：这不是”能力”的问题，是”免费 Flash 档”的问题——智谱的强能力大概率堆在付费的 CogView-4 / GLM-Image 上，免费的 Flash 档是轻量快出图模型，文字渲染和精细场景遵循本来就不是它的设计目标。免费的代价，在这里很具体。
六、综合总结：到底什么水平，免费用在哪
把 cogview-3-flash 和 cogvideox-flash 和 Agnes 用同一套题横着比完，结论可以给得很具体了。
横评总表
| 维度 | cogview-3-flash（智谱图） | agnes-image-2.1-flash |
|---|---|---|
| 语义/构图/多主体/光影/手部 | ✅ 过关 | ✅ 过关（Agnes 略胜） |
| 英文文字渲染 | ❌ 字母干净但不按指令写指定词 | ✅ AGNES AI 全对（Agnes 胜） |
| 中文文字渲染 | ❌ 崩 | ✅ 标题全对（Agnes 胜） |
| 图生图编辑 | ❌ 不支持 | ✅ 换背景/风格迁移（Agnes 胜） |
| 出图速度 | ~8.4s/张（智谱胜，快近 3 倍） | ~24s/张 |
| 尺寸 | 不缩水（智谱胜） | 按档缩水 |
| 水印 | 默认带（可关） | 无水印（Agnes 胜） |
| 维度 | cogvideox-flash（智谱视频） | agnes-video-v2.0 |
|---|---|---|
| 文生视频内容保真 | ✅ 5/5 过关 | ✅ 5/5 过关（打平） |
| 文生视频画质/质感 | ❌ 塑料感/发糊、细节差 | ✅ 锐利写实（Agnes 胜） |
| 图生视频主体锁定 | ❌ 0/3（实际无视输入图） | ✅ 3/3 高一致（Agnes 胜） |
| 出片速度 | ~61s/5s 成片（智谱胜，快 3–4 倍） | ~216s/3.4s |
| 接口干净度 | 字段直觉、无帧数坑（智谱胜） | 帧数 8n+1、下载字段坑爹 |
| 限流透明度 | 官方公开规则（智谱胜） | 官方不公开，靠压测 |
那我到底用不用
一句话先给：除非你”完全不在意质感和效果、只在意免费 + 稳定 + 快”，否则这两个免费模型都不建议碰——Agnes 免费档（或其他付费模型）在画质、文字、图生视频一致性上全面更好。下面是给”我就是只要免费”的人划的具体边界。
图片档 cogview-3-flash——只在”不写文字、也不在意比 Agnes 略糙”时凑合用：
- ✅ 勉强适合：不写任何指定文字的写实场景图、插画、PPT 配图、批量出草稿——能用、快、免费、不缩水（但画质仍略逊 Agnes）。
- ❌ 别用：招牌/海报/思维导图/带标题的图（中英文指定文字都写不对）；需要换背景/风格迁移的图生图（不支持）。
视频档 cogvideox-flash——画质短板比图片更明显，更得”只图免费”才用：
- ✅ 勉强适合：单条简单场景素材、对画质和主体一致性都没要求、只要”免费 + 快”地出个能动的片。
- ❌ 别用：在意画质/质感（明显逊于 Agnes，偏塑料/发糊）；多镜头剧情、角色一致（图生视频锁不住人，0/3 成功率）；关键帧依赖中文场景理解的链路（cogview 中文不稳，可能从第一步就跑题）。
关于”免费”本身
智谱把 GLM-4-Flash、CogView-3-Flash、CogVideoX-Flash 这一整档都设成永久免费、且只卡并发不卡日用量，对个人开发者是真友好——视频档还开放了 4K/60fps/10s/AI 音效。但别误会”友好 = 好用”：免费 V0 档图片并发才 1、视频 3（见上节限流表），吞吐很低、批量得排队——“免费”是真免费，“能跑多快”是另一回事。但免费的代价也实在：图像这边文字渲染（中英都算）和图生图编辑阉割过、视频这边画质明显逊于 Agnes + 图生视频主体锁定弱（0/3）+ cogview 中文场景理解不稳，强能力大概率都在付费档。免费拿来试水、做草稿、跑实验、出点不在意画质的素材，没问题；但凡对画质/文字/一致性有点要求，还是得上 Agnes 或其他付费模型。一句话：只有”完全不在意质感、只在意免费稳定”时，智谱免费档才轮得到上场；否则别考虑。
和 Agnes 那两篇一样的收获：用同一套标准 benchmark 把工具认真测一遍，比凭一两次印象下结论靠谱得多。 尤其是中文这种”国产模型理应更强”的预期，不实测你不会知道——智谱的免费 Flash 档，恰恰在中文（文字 + 场景）上露了底，图生视频一致性也输给了 Agnes，连视频画质都被 Agnes 甩了一截。预期是一回事，实测是另一回事。