Gemini Omni 1.2 Flash مقابل Qwen3.8-Omni-Flash: كلمة «Omni» تؤدّي وظيفتين

يُحدِّد تقدير علي بابا المنشور بنفسها تكلفةَ قراءة ساعة من فيديو 720p باستخدام Qwen3.8-Omni-Flash عند نحو عشرين سنتًا. سعر القائمة لدى جوجل لساعة من فيديو 720p مُولَّد من Gemini Omni 1.2 Flash هو 252 دولارًا. يُطلق على كلا النموذجين اسم Omni. ويقبل كلاهما النص والصورة والصوت والفيديو. أحدهما يقرأ اللقطات ويجيب بالنص؛ والآخر يكتب اللقطات ويجيب بملف. الفجوة السعرية بينهما ليست إشارة تنافسية، لأنهما لا يتنافسان — بل هي تكلفة تصنيع ثانية من الواقع مقابل تكلفة وصف ثانية منه.

هذا مهم لأن المقارنة تُجرى باستمرار، ودائمًا تقريبًا مع النموذج الخاطئ من جانب Google. كل مقال «Qwen Omni مقابل Gemini» متداول — بما في ذلك جدول المعايير الذي نشرته علي بابا بنفسها — يقيس Qwen3.8-Omni-Flash مقابل Gemini 3.8 Flash، وهو نموذج يُخرج نصًا بسعر 0.75 دولار لكل مليون رمز إدخال. ذلك هو المنافس الصحيح. أما Gemini Omni 1.2 Flash، المتاح عمومًا منذ 5 نوفمبر 2026، فهو منتج مختلف على تسعير مختلف، ولا توجد أي مقارنة مباشرة منشورة بينهما في أي مكان.

ما هو Qwen3.8-Omni-Flash في الواقع

أطلقت شركة علي بابا هذا النموذج عبر فريق Qwen في 18 سبتمبر 2026 خلفًا لـ Qwen3.5-Omni-Plus، وقد بُني على معمارية Qwen3.8-Flash-Next. أول ما ينبغي توضيحه هو نمط الإخراج، لأن الاسم يوحي بافتراض خاطئ: فهو يُنتج نصًا فقط، ولا شيء غير النص. لا يولّد فيديو، وخلافًا لسلفه لا يولّد كلامًا مسموعًا أيضًا. كل ما فيه من صفة "omni" يقع على جانب الإدخال.

في هذا الجانب، يتمتع بقدرات غير عادية. نافذة السياق مليون رمز، مع نحو 991,000 متاحة للإدخال و131,000 للإخراج. يمكن لنداء واحد أن يستوعب ساعة من الفيديو المتواصل. يتعامل مع ستيريو ثنائي القناة وصوت مكاني رباعي القنوات، وهي الطريقة التي يحصل بها Qwen على حيلته الرئيسية اللافتة — تحديد موقع مصدر صوت في غرفة والإشارة إليه، وهو نوع القدرة التي ينتظرها فريق الروبوتات أو تحليلات الاجتماعات. تغطي التعرف على الكلام 74 لغة إضافة إلى 39 لهجة صينية؛ ويغطي تحويل النص إلى كلام 29 لغة في النماذج الشقيقة. هناك نسخة فورية، Qwen3.8-Omni-Flash-Realtime، تعمل عبر WebSocket أو WebRTC مع إخراج صوتي و56 صوتًا في سياق 192K.

التسعير هو الجزء العدواني: 0.15 دولار لكل مليون رمز إدخال، و0.47 دولار لكل مليون رمز إخراج، و0.016 دولار لكل مليون رمز إدخال مُخزَّن مؤقتًا. الأوزان مغلقة. وهو متاح عبر واجهة API فقط، من خلال Alibaba Cloud Model Studio ونقاط النهاية الخاصة بـ Qwen، ومتوافق مع OpenAI، في ست مناطق.

ما هي حقيقة Gemini Omni 1.2 Flash

نموذج Google يعمل بالاتجاه المعاكس. يُدخَل النص والصور والصوت والفيديو؛ ويخرج فيديو مدته من ثلاث إلى خمس عشرة ثانية مع صوت متزامن، بزيادات قدرها ثانية واحدة، بنسبة 16:9 أو 9:16. يمكنك إعداد مسودة بدقة 360p أو 720p ثم ترقيتها إلى 1080p أو 4K. يمكن أن يحمل الطلب ما يصل إلى ست صور مرجعية، ومقطع حركة لا يتجاوز ثلاث ثوانٍ، وإشارات صوتية، ويتيح التحرير متعدد الجولات استبدال منتج أو تغيير الطقس أو إعادة تأطير اللقطة دون إعادة توليد العمل كاملًا. وتضيف خاصية التمديد من ثلاث إلى عشر ثوانٍ في كل جولة حتى حد أقصى قدره 30 ثانية. ويُوضع على كل شيء علامة مائية من SynthID.

إصدار 1.2 هو تخفيض في السعر بقدر ما هو إصدار قدرات: انخفض إخراج الفيديو من 17.50 دولارًا إلى 12.00 دولارًا لكل مليون رمز، أي نحو 0.07 دولار لكل ثانية بدقة 720p، بانخفاض 30%. ويبقى إدخال النص عند 1.50 دولار لكل مليون وإخراج النص عند 9.00 دولارات لكل مليون. وتضاعفت حدود معدل الفئة المدفوعة في اليوم نفسه. لم تنشر Google أي درجات معيارية مع الإصدار — فقط ادعاءات نوعية حول الالتزام بالمرجع ومزامنة الشفاه واستمرارية الكاميرا.

ثلاث مصائد تكلفة لا تظهر إلا عند تشغيل كليهما معًا

تُحتسب ميزانية الاستدلال ضمن المخرجات.يضبط Qwen3.8-Omni-Flash وضع التفكير لديه افتراضيًا على "xhigh"، مع ميزانية استدلال تصل إلى 262,000 رمز تُحتسب بسعر المخرجات. وقد يكلّف طلب واحد يفكّر بعمق في فيديو طويل نحو $0.123 في الاستدلال وحده — أي أكثر من ستمئة ضعف مما يوحي به تقدير قراءة الفيديو، وهو السبب في أن بعض الفرق تصف النموذج بأنه مكلف بينما حجم موادها الفعلية ضئيل. حدّد سقفًا لميزانية التفكير قبل أن تقيس أي شيء.

تقدير الفيديو لكل ساعة هو تقدير من المورّد. لا تنشر علي بابا معدل الرموز في الثانية لاستيعاب الفيديو، لذا لا يمكن استخلاص رقم "عشرين سنتًا في الساعة" بشكل مستقل من قائمة الأسعار. أسعار 0.15/0.47 دولار قابلة للتحقق؛ أما التحويل إلى سعر لكل ساعة فهو حساب Qwen، وقد أشار تحليل منشور بالفعل إلى أن ادعاء أن التكلفة أقل بنسبة 98% من Gemini غير قابل للتحقق لهذا السبب تحديدًا.

تتضاعف تكلفة التوليد بعدد المحاولات، لا بعدد المخرجات النهائية. مقطع مدته خمس عشرة ثانية يكلّف 1.05 دولار. ست نسخ مختصرة تكلّف 6.30 دولارات — لكن لا أحد ينجح في ست نسخ من أصل ست من المحاولة الأولى. وبمعدل ثلاث محاولات لكل نسخة معتمدة، تكلّف النسخ الست المختصرة نفسها 18.90 دولارًا، وهذا هو الرقم الذي يُدرج في الميزانية. كما يحدّ Google تسلسلًا مدمجًا عند 30 ثانية، لذا فإن أي شيء أطول يعدّ مرور توليد من الجيل الثاني، وليس امتدادًا.

خط معالجة مُجرَّب: ثلاثون دقيقة إدخالًا، وستة مقاطع إخراجًا

هنا حيث يستحق كلا النموذجين مكانهما، وحيث يكون توزيع التكلفة غير بديهي.

اقرأ النسخة الرئيسية. يأخذ Qwen3.8-Omni-Flash الفيديو المصدر البالغ 30 دقيقة ويعيد نصًا مكتوبًا يتضمن أدوار المتحدثين، والنص الظاهر على الشاشة، وقائمة لقطات مع أكواد زمنية، وقائمة قصيرة باللحظات التي يقول فيها أحدهم شيئًا جديرًا بالاقتباس. وفق تقديرات علي بابا، يبلغ ذلك نحو عشرة سنتات من المدخلات. أضف تمريرة تفكير لاختيار أفضل ست لحظات وستظل تحت ربع دولار — ما دامت الميزانية محددة بسقف.

أنتج النسخ المختصرة. ستة مقاطع مدتها خمس عشرة ثانية من Gemini Omni 1.2 Flash، بثلاث لقطات لكل منها: 18.90 دولارًا. تحافظ الصور المرجعية للمنتج على اتساق التغليف في المقاطع الستة جميعها؛ وتُبقي الإشارات الصوتية الحوار مفهومًا؛ ويصلح التحرير متعدد الجولات المقطعين اللذين ينحرفان.

أعِد قراءة المخرجات. تعود المقاطع الستة المكتملة إلى Qwen3.8-Omni-Flash للتأكد من أن النص الظاهر على الشاشة مقروء، وأن الحوار يطابق النص المكتوب، وأن مزامنة الشفاه لدى الجميع لم تنزلق إطارًا واحدًا. ستة مقاطع تعني تسعين ثانية من الفيديو. تكلفة القراءة ضئيلة؛ والتحقق هو ما يجعل فاتورة التصيير مبرَّرة.

النمط عام: في هذا الزوج، التحليل رخيص والتوليد مكلف، بفارق رتبتين إلى ثلاث رتب قدرية. والفرق التي تضع ميزانيتها على العكس — بافتراض أن النموذج «الذكي» لا بد أن يكون هو المكلف — تُقلّل من تخصيص خط التصيير وتُفرط في تخصيص خط القراءة في كل مرة.

سجل القياس المرجعي، ولمن تعود هذه الأرقام

كل ما نُشر عن Qwen3.8-Omni-Flash يأتي من مصدر واحد: تقييم علي بابا نفسه، الذي نُشر كورقة على arXiv في 22 سبتمبر 2026. مقابل Gemini 3.8 Flash، يتفوق في WildClawBench-MM بنتيجة 71.0 مقابل 58.9، وفي SpotSoundBench بنتيجة 67.2 مقابل 39.7، وفي فصل المتحدثين في الاجتماعات بفارق هائل — معدل خطأ فصل المتحدثين 3.35 مقابل 72.6. ويخسر في OmniVideoBench بنتيجة 63.4 مقابل 65.2 وفي AgenticVBench بنتيجة 36.8 مقابل 45.0. لم يُعَد إنتاج أي من هذا بشكل مستقل، ولا يتعلق أي منه بـ Gemini Omni 1.2 Flash، الذي لا يقرأ الفيديو داخل نافذة السياق على الإطلاق.

جانب Google من الميزان أكثر خواءً. إعلان Gemini Omni 1.2 Flash لا يتضمن أي أرقام — لا Elo، ولا معدل فوز، ولا مجموعة اختبارات معيارية. المقارنات نوعية: مطابقة مرجعية أفضل من 1.1، وحوار أكثر سلاسة، ومزامنة شفاه أوضح، وقطعات انتقال أقل. إصدارات NVIDIA وAlibaba على الأقل تأتي مصحوبة بجداول؛ أما إصدار Google فيأتي بالصفات.

الموقف الصادق بشأن «أيّهما أفضل» هو أن السؤال لا يملك إجابة مقيسة، ولن يملكها حتى يُشغّل أحدهم النظامين على المهمة نفسها. أما ما يمكن قوله بثقة فهو أضيق وأكثر فائدة: أرقام Qwen تحققت في مواجهة نموذج يُخرج نصًا وبخُمس سعر الإدخال، ولن تنتقل إلى مولّد فيديو، لأن النظامين يُقيَّمان بأدوات قياس مختلفة تمامًا.

حيث يتداخل المورّدان تداخلًا حقيقيًا

ليس على النموذج. بل على عقد المؤسسات. كلاهما مغلقان، وكلاهما عبر API فقط، وكلاهما مقيّدان جغرافيًا بطرق مهمة — Alibaba تخدم بكين وسنغافورة وهونغ كونغ وطوكيو وفرانكفورت وفيرجينيا؛ وميزات التحرير لدى Google للفيديو المرفوع غير متاحة في أجزاء من أوروبا. شركة إعلام تختار مورّدًا إنما تختار اتفاقية معالجة بيانات وولاية قضائية بقدر ما تختار قدرة.

من الجدير بالذكر أيضًا ما لن يفعله أيٌّ منهما. فلا يستطيع Qwen3.8-Omni-Flash إنتاج إطار، ولا يستطيع Omni 1.2 Flash من Google الإجابة عن سؤال حول مقطع مدته عشر دقائق. وأي شخص يوحّد تعاملاته مع مورّد واحد لخفض أعباء المشتريات سيجد أن هذا التوحيد يكلّفه قدرةً ما، أيًّا كان الاتجاه الذي يوحّد نحوه. وتطرح ملاحظة الترحيل من Google النقطة نفسها من الجانب الآخر: بدءًا من 3 ديسمبر 2026، ستُجاب الطلبات الموجهة إلى gemini-omni-1.1-flash بواسطة 1.2 وبأسعار 1.2، دون أي تغيير في الشيفرة — وهو تذكير بأن نقاط النهاية المغلقة تتحرك وفق جدول المورّد، لا وفق جدولك.

ما يغطيه OrcaRouter، وما لا يغطيه

لا يوجد أي من هذين النموذجين على OrcaRouter، ولن يتظاهر هذا المقال بخلاف ذلك. ما هو موجود على المنصة هو القدرة المجاورة على بناء خط الأنابيب أعلاه دون الحاجة إلى عقد ثانٍ وثالث.

يُغطّى جانب القراءة بواسطة Qwen3.8 Flash: نص وصورة وفيديو كمدخلات، ونص كمخرجات، وسياق يبلغ مليون رمز، وتحليل للفيديوهات الطويلة، بسعر 0.15 دولار لكل مليون رمز إدخال و0.47 دولار لكل مليون رمز إخراج — السعر نفسه والملف نفسه الخاص بنسخة Omni، ناقصًا ميزات الصوت المكاني. ويُغطّى جانب التوليد بواسطة Kling 3.0 Omni بسعر 0.084 دولار لكل طلب لتحويل النص إلى فيديو والصورة إلى فيديو بمقاطع من 3 إلى 15 ثانية. كلاهما خلف مفتاح واحد، ما يعني أن التوزيع الذي يرسل المصدر نفسه إلى قارئ وكاتب هو قاعدة توجيه وليس مشروع تكامل؛ ويعني التبديل التلقائي عند الفشل أن تعثّر مزوّد لا يوقف حملة في منتصف التوليد؛ والهامش 0% هو تمرير مباشر لسعر قائمة المزوّد، لذا في اليوم الذي يغيّر فيه بائع سعرًا يتغيّر الرقم من جانبنا معه.

كيف تقرر في الدقائق العشر القادمة

إذا كانت مشكلتك أن لديك لقطات ولا وسيلة للبحث فيها أو إضافة ترجمة لها أو العثور على اللحظة التي يذكر فيها المقدّم السعر — فاشترِ جانب Qwen. حدّد سقف ميزانية التفكير أولاً، وقِس معدل الاستيعاب الفعلي لديك بدلاً من الوثوق بتقدير الساعة الواحدة.

إذا كانت مشكلتك أن لديك لقطة منتج وموعدًا نهائيًا ولا طاقم تصوير، فاشترِ الجانب الخاص بجوجل، وخصّص ثلاث محاولات لكل لقطة صالحة بدلًا من واحدة.

إذا كانت لديك المشكلتان معًا، وهو ما تعاني منه معظم الفرق فعليًا، فتوقف عن البحث عن فائز. النموذجان المذكوران في الفقرة الأولى من هذا المقال لن يظهرا أبدًا في جدول معايير واحد، لأن أحدهما ينتج ملفًا والآخر ينتج فقرة عن الملف. الرقم الوحيد الذي يربط بينهما هو الرقم الذي لا ينشره أحد: كم ساعة من الفيديو تقرأها مؤسستك مقابل كل ساعة تنتجها.