为什么要为文本、图像、视频和音频工作负载做同一层 API 接入面

文本模型通常是最熟悉的起点，但真实产品很少停留在那里。团队最终会需要图像生成、视频工作流、语音、转写或数据工具，而每增加一种能力，往往就会多出一条新的接入分支。

多模态增长会带来运维阻力

问题不只是 API 数量变多。每一种模态都会带来自己的定价模式、提供商差异和质量预期，时间一长，平台就会越来越难被团队整体理解。

共用接入面会改变团队比较方案的方式

当文本、图像、视频和音频工作负载都落在同一个运营模型里时，团队就能用同一套语言比较它们：成本、路由策略、fallback 行为，以及是否适合生产。

这对 Agent 产品尤其重要

Agent 很少只停留在单一模态里。它们会搜索、生成、总结、说话，有时还会触发外部工具。如果仍然按供应商一套套分开接入，这种演化会比应有的更困难。

平台思维胜过接口堆叠

我们希望 Cheap Model 更像是一层连贯的控制面，而不是一堆互不相干的接口集合，尤其是对那些正在跨模态构建产品的团队来说。