Gemini Omni Flash 1.2 vs. Gemini Omni 1.1 Flash: Zwei Ranglisten sagen Ja, eine sagt noch nicht

On 3 December 2026, every request sent to G​emini Omni 1.1 Flash starts landing on G​emini Omni Flash 1.2 instead, billed at the new rates, with no change to your payload. G​oogle published that routing date in the same changelog entry that made 1.2 generally available on 5 November. So the version question is not whether you migrate. It is whether you finish measuring before the switch happens to you, and the independent evidence for doing that is more mixed than the price cut suggests.

Was die gleiche Abstimmungswoche tatsächlich zeigte

Artificial Analysis ließ beide Versionen auf allen drei seiner Video-Boards laufen und veröffentlichte das Paar mit nur wenigen Tagen Abstand. Das ist der seltene Fall, in dem ein Versionsvergleich nicht aus zwei unterschiedlichen Messkampagnen zu zwei unterschiedlichen Zeitpunkten zusammengesetzt werden muss.

On AA-Video-I2V v2.1 the case is closed. G​emini Omni Flash 1.2 sits at 1,086 with a 95% interval of 1,071 to 1,101; G​emini Omni 1.1 Flash sits at 1,044 with 1,030 to 1,058. Forty-two points, no overlap, 14th against 18th. Whatever else is uncertain about the new model, its image-to-video output is measurably preferred to its predecessor's by a margin the sample supports.

Auf AA-Video-T2V v2.1 ist der Fall offen. Die 26-Punkte-Lücke – 1.154 gegen 1.128 – geht mit Intervallen von 1.140 bis 1.168 und 1.115 bis 1.141 einher. Sie überschneiden sich in einem einzigen Punkt. Auf AA-Video-Editing v1.1 beträgt die Lücke 18 Punkte, 1.164 gegen 1.146, und die Intervalle überschneiden sich über vier Punkte. Beide Ranglisten ordnen 1.2 über 1.1 ein. Keine von beiden trennt sie.

Dieses Muster ist mehr wert als jede einzelne Zahl. Ein neuer Checkpoint, der bei einer Aufgabe klar gewinnt, wahrscheinlich bei einer zweiten und marginal bei einer dritten, ist die übliche Form eines Point-Releases. Es ist nicht die Form des Generationssprungs, die die 15-Sekunden-Clips und verdoppelten Rate Limits vermuten lassen könnten.

Der Preis ist der Teil ohne Fehlerbalken

Video output falls from $17.50 to $12.00 per million tokens, a 30% cut, and it is the only claim in the release that needs no confidence interval. G​oogle bills at a fixed token rate per second of footage, so the arithmetic is not a matter of preference: at 720p, 5,792 tokens per second, the cost goes from about $0.10 to about $0.07 per second. At 1080p with upsampling it is about $0.104 per second, and at 4K about $0.209. Artificial Analysis normalises both versions to $9.12 and $6.26 per minute of 1080p, which is the same 30% seen from the other end of the same meter.

Der Input bleibt bei 1,50 $ pro Million Tokens für Text, Bild und Video, und der Text-Output bleibt bei 9,00 $. In den Spalten batch, flex und priority hat sich nichts geändert, weil 1.2 keine davon hat – nur Standard-Tarif, und keine der beiden Versionen bietet einen kostenlosen Tarif.

Erledige die Clip-Arithmetik vor dem Routing-Datum statt danach. Fünfzehn Sekunden bei 720p auf 1.2 entsprechen grob 1,05 $ an Ausgabe-Tokens. Dieselben fünfzehn Sekunden ließen sich auf 1.1 nicht in einem einzigen Aufruf erzeugen, da 1.1 bei zehn Sekunden begrenzt ist; der ehrliche Vergleich sind zehn Sekunden für etwa 1,00 $. Die Einsparung ist real, aber ein großer Teil davon wird dafür ausgegeben, die zusätzlichen fünf Sekunden zu kaufen, und ein Team, das nie längere Clips benötigt hat, wird eine kleinere Änderung der Rechnung sehen, als der Prozentsatz impliziert.

Wo die fünfzehn Sekunden aufhören, kostenlos zu sein

Die Dauererhöhung geht mit Randfällen einher, die dokumentiert statt entdeckt werden, und drei davon ändern, was eine Anfrage enthalten darf.

• Interpolation – die Erst- und Letztframe-Steuerung funktioniert in beiden Versionen von drei bis zehn Sekunden; eine Anfrage von elf Sekunden oder mehr mit zwei Referenzframes führt in 1.2 zu einem Fehler wegen ungültigen Arguments.

• Referenzvideo — Ausgaben von drei bis zehn Sekunden akzeptieren drei Referenzvideos von jeweils bis zu drei Sekunden, während Ausgaben von elf bis fünfzehn Sekunden nur eines akzeptieren. Das Verlängern einer Einstellung kann eine Anfrage, die mit drei durchging, unbemerkt ungültig machen.

• {{1}}Erweiterung{{/1}} — die Erweiterung läuft drei bis zehn Sekunden pro Durchgang mit einem Zehn-Sekunden-Rückblick, insgesamt auf 30 Sekunden begrenzt, und nur am Ende des Clips. Bei 1.1 lag die Obergrenze für Bearbeitung und Erweiterung bei zehn Sekunden Eingabe.

• Reference images — up to six per request, across all three modes, which is the change G​oogle leads with in the launch language about character and subject consistency.

• Region — Die Bearbeitung und Verlängerung hochgeladener Videos ist im EWR, in der Schweiz und im Vereinigten Königreich nicht verfügbar; diese Einschränkung ist im Leitfaden vermerkt. Wenn Ihre Nutzer in diesen Märkten ansässig sind, gilt das Argument der konversationellen Bearbeitung für sie überhaupt nicht.

• Grenzen, die unverändert blieben – keine Systemanweisungen, keine Temperatur, kein top_p, keine negativen Prompts, kein Provisioned Throughput, keine YouTube-Quellen, keine Multi-Video-Schlussfolgerungen. Jede Ausgabe trägt ein SynthID-Wasserzeichen.

Eine „Text“-Ausgabezeile, die nicht das bedeutet, wonach sie aussieht

Die Modellkarte führt bei 1.2 als Ausgabe „Video mit nativem Audio, Text“ auf, bei 1.1 dagegen schlicht „Video“, und dieser Unterschied wurde als neuer Textkanal gedeutet. Das ist er nicht. Der Omni-Leitfaden beschreibt für 1.2 keinen Textausgabemodus; Text erscheint im Bild gerendert – Beschriftungen, Schilder, Achsen – und die Anfrageform ist weiterhin eine Videoantwort. REST-Antworten enthalten ein steps-Array, dessen „thought“-Eintrag eine Denkspur und keine Antwort ist. Wenn eine Pipeline eine Caption-Zeichenkette von der API zurückbenötigt, gibt keine der beiden Versionen eine zurück, und der Unterschied in dieser Zeile beschreibt, was das Modell zeichnet, nicht, was es Ihnen liefert.

The audio row is a real change but a change in quality, not in kind. Both versions generate native synchronised audio. G​oogle's launch claims more fluid dialogue, clearer lip-sync and distinct multi-speaker conditioning, and says references can carry audio cues and one-second voice samples — those reference paths are allowlisted on G​oogle Cloud, audio input is unsupported on the model itself in this version, reference-video audio is ignored, and voice editing is not available. You can prompt for a voice; you cannot edit one afterwards. None of those quality claims has an independent test behind it, and the three leaderboards above measure visual preference, not whether the words match the mouths.

Die Migration, die nachgelagerte Systeme bricht, nicht die Anfrage.

Da sich die Payload nicht ändert, ist die Fehleroberfläche alles, was die Anfrage speist. Vier Stellen, die vor dem 3. Dezember zu prüfen sind, in der Reihenfolge, in der sie typischerweise ausfallen:

Standardwerte für die Dauer. Eine Anfrage, bei der die Dauer weggelassen wurde, wurde auf zehn Sekunden begrenzt und standardmäßig weiterhin auf zehn gesetzt, sodass unveränderte Aufrufe sich identisch verhalten. Was kaputtgeht, ist die Validierung, die zehn als Maximum behandelt hat.

Frame-Paar-Konditionierung. Jeder Codepfad, der Interpolation mit einer Dauer über zehn kombiniert, führt jetzt zu einem Fehler, statt stillschweigend abzuschneiden – besseres Verhalten, lauteres Scheitern.

Kostenmodelle. Jede aus dem 1.1-Tarif abgeleitete Konstante pro Sekunde ist bei 720p um 30 % zu hoch. Wenn Sie intern pro Rendering abrechnen, ist dies die Zeile, die geändert werden muss, solange die alten Preise noch korrekt sind, denn nach der Umstellung wird die Zahl in einer Richtung falsch sein, die Ihre Marge schmeichelt.

Filterverhalten. Die Zeile des Editing-Boards für 1.2 enthält eine Anmerkung, dass das Modell einen Teil des Testsets aufgrund von Urheberrechts- und Sicherheitsfiltern abgelehnt hat, und die veröffentlichte Punktzahl spiegelt die verbleibenden Prompts wider. Eine Produktionspipeline, die davon ausging, dass jede Anfrage eine Datei zurückgibt, benötigt speziell in der neuen Version einen Ablehnungspfad. Die Anmerkung erscheint nur in der Zeile von 1.2, nicht in der von 1.1.

Zwei Wege zum Wechsel – und welcher passt

Wenn Ihre Inhalte gemessen werden und Ihnen die Ergebnisse gefallen, migrieren Sie frühzeitig und nutzen Sie die drei Wochen, um mit Ihrem eigenen Material erneut zu messen. Die Preissenkung und die längere Dauer lohnen sich, die Lücke zwischen Bild und Video ist real, und die Alternative ist, am 3. Dezember ohne Daten in die eine oder andere Richtung umgestellt zu werden.

Wenn Ihr Inhalt ein hohes Volumen hat und Sie ihn seit der letzten Änderung nicht angesehen haben, ist es sinnvoll, beides laufen zu lassen. Behalten Sie 1.1 im Produktionspfad, solange es noch separat adressierbar ist, leiten Sie einen Prozentsatz des Traffics als Shadow-Traffic an 1.2 und vergleichen Sie auf der Achse, die die Bestenlisten nicht messen — wie oft ein Clip bis zur Auslieferung überlebt, nicht wie oft er einen paarweisen Vergleich gewinnt. Das ist eher ein Routing-Problem als ein Modellproblem, und genau auf dieser Ebene arbeiten wir. Kein Omni-Endpunkt steht heute im Katalog von OrcaRouter, daher ist dies kein Plädoyer dafür, dass wir sie bereitstellen; es ist der Grund, warum ein Versionssprung in den Pipelines am meisten schmerzt, die genau einen Pfad haben und keine Möglichkeit, einen zweiten daneben laufen zu lassen. Wo wir die Platzierung verdienen, ist die umgebende Textarbeit: Die Prompt-Expansion- und Shot-List-Aufrufe, die ein Rendering speisen, können gegen mehrere Modelle über einen Endpunkt zu Anbieter-Listenpreisen zusammengestellt werden, mit automatischem Failover, falls eines an Leistung verliert, und eine Routing-Regel kann einen Bruchteil der Anfragen ohne Deployment an ein anderes Modell senden.

Das Einzige, was Sie nicht tun sollten, ist, 1.1 über den 3. Dezember hinaus festzupinnen und die Änderung erst aus einer Rechnung zu erfahren. Der Endpoint routet unabhängig davon, was Ihre Konfiguration sagt.

Der Versionsvergleich, formuliert als Versionsvergleich

1.2 is cheaper per second, longer per clip, better on image-to-video by a margin that survives its own error bars, and probably better on text-to-video and editing on evidence that does not yet separate it from 1.1. It carries a safety filter that removes part of an editing benchmark and will remove part of your editing workload, and it inherits 1.1's traffic on a date G​oogle has already published.

Der Vergleich, der zitiert werden wird, ist die Rangverschiebung, denn von zwölf auf sechs liest sich wie ein Sprung und zweiundvierzig Elo lesen sich wie eine Zahl. Der Vergleich, der vorhersagt, wie das nächste Quartal läuft, ist der mit den Intervallen, und dieser sagt: ein klarer Gewinn, zwei wahrscheinliche und ein günstigerer Zähler unter allen dreien.