Gemini Omni Flash 1.2 llega al n.º 2 en edición de vídeo — y las barras de error son lo importante

Artificial Analysis put G​emini Omni Flash 1.2 on three video leaderboards on 10 November, six days after G​oogle made the model generally available. The headline writes itself: #2 on AA-Video-Editing v1.1, ahead of the #5 held by G​emini Omni 1.1 Flash, with a climb from #12 to #6 on AA-Video-T2V v2.1 and from #17 to #14 on AA-Video-I2V v2.1. The useful reading is in the margins. Two of those three moves sit inside or against overlapping 95% intervals, one of the three was measured on a reduced prompt set, and the cleanest separation of the lot belongs to the smallest rank change in the set.

Tres paneles, tres respuestas diferentes sobre quién es el mejor

Lo primero que establecen las nuevas filas es que no hay un único ranking de vídeo que ganar. Wan 3.0 lidera la tabla de edición con 1.192 y la de texto a vídeo con 1.175, y después queda en 11.º puesto en imagen a vídeo con 1.108. Dreamina Seedance 2.5 encabeza imagen a vídeo con 1.161, mientras ocupa el cuarto puesto en edición y el cuarto en texto a vídeo. La posición de un modelo es una propiedad de la tarea, no del modelo, y cualquier propuesta que cite una sola cifra está citando una sola tarea.

Against that backdrop, G​emini Omni Flash 1.2's profile is unusually flat. It is second on editing, sixth on text-to-video and fourteenth on image-to-video — competitive everywhere, dominant nowhere. For a model whose headline feature is conversational editing, that flatness is arguably the point: it is the only row in the top ten of the editing board that also appears in the top ten of text-to-video.

Veintiséis Elo, y dos intervalos que casi se tocan

The move from #12 to #6 on AA-Video-T2V v2.1 is the one that will get screenshotted. It is a 26-point gain, 1,128 to 1,154. The published intervals are 1,115 to 1,141 for G​emini Omni 1.1 Flash and 1,140 to 1,168 for 1.2. They overlap by exactly one point.

Eso no es motivo para descartar la mejora. Es motivo para dejar de tratar una posición en la clasificación como una medición. Artificial Analysis deriva estos intervalos de votos por pares a ciegas, y con 5.056 muestras para 1.2 frente a 7.943 para 1.1, el modelo más nuevo tiene una base de evidencia más débil porque lleva un día en la tabla. Una diferencia de 26 puntos que roza el límite se interpreta mejor como «probablemente mejor, aún no separable con este tamaño de muestra» —lo cual es una afirmación distinta de «subió seis puestos», aunque ambas describan las mismas dos filas.

El panel de edición cuenta una historia similar con una brecha menor: 1,164 frente a 1,146, una diferencia de 18 puntos cuyos intervalos se solapan entre 1,152 y 1,156. El panel de imagen a vídeo es el caso opuesto y el más interesante. Allí la brecha es de 42 puntos, 1,086 frente a 1,044, y los intervalos no se tocan en absoluto: 1,071 a 1,101 frente a 1,030 a 1,058. La posición en el ranking se movió tres puestos en lugar de seis, y es la única de las tres comparaciones que resiste una lectura estricta de sus propias barras de error.

Ordena los tres en consecuencia y el orden se invierte: el cambio de rango más pequeño es la evidencia más sólida, el cambio de rango más grande es la más débil. La aritmética de rangos oculta eso, porque los rangos se calculan a partir de estimaciones puntuales y se descartan los intervalos.

La puntuación de edición viene acompañada de una nota al pie.

G​emini Omni Flash 1.2's #2 on AA-Video-Editing v1.1 carries a note on the row itself: the model "declined some of our test set through its copyright and safety filters", and its result reflects the remaining prompts. Every row is also flagged provisional.

Lean eso sin rodeos. La puntuación es un promedio sobre las indicaciones que el modelo estuvo dispuesto a responder, y las indicaciones que rechazó son exactamente aquellas en las que se pide a un modelo de edición que altere metraje real, reproduzca un logotipo o trabaje sobre un sujeto reconocible: las tareas que separan una demo de una entrega. Un modelo que rechaza el tercio difícil de un conjunto de pruebas puede superar en puntuación a un modelo que lo intenta todo sin ser mejor en el trabajo. Nada en el resultado publicado permite corregir eso, y la dirección del sesgo es al alza, no a la baja.

Esto no es un argumento de que la cifra sea incorrecta. Es un argumento de que el n.º 2 de la tabla de edición es una afirmación sobre la calidad en prompts permitidos, y de que el conjunto permitido es más pequeño para este modelo que para los que lo rodean. Si tu trabajo implica material de archivo, activos de marca o imágenes de personas, el comportamiento del filtro del propio operador determinará más de tus resultados que una diferencia de 18 puntos de Elo, y la tabla de clasificación nunca te lo mostrará porque los rechazos no se publican.

$6.26 a minute is G​oogle's own price list, arrived at independently

The pricing column on all three boards lists G​emini Omni Flash 1.2 at $6.26 per minute of generated video. Artificial Analysis defines that column as the cost to generate one minute on the creator's API at the settings it benchmarks, 1080p where offered — a normalised figure, not a quote.

Here it happens to reconcile exactly with the vendor's own arithmetic. G​oogle bills video output at 8,688 tokens per second for 1080p with upsampling, at $12.00 per million tokens. Sixty seconds is 521,280 tokens, which is $6.255. The board's $9.12 for G​emini Omni 1.1 Flash reconciles the same way against $17.50 per million. Two independent parties arriving at the same cent is worth more than either number alone: it means the 30% cut G​oogle announced on 5 November is visible in a third party's cost model, not just in a press release.

Lo que la columna no incluye es la resolución que realmente elegirías. A 720p, el mismo modelo cobra unos $0.07 por segundo, aproximadamente $4.20 por minuto; a 360p, $0.023 por segundo, unos $1.38. Un equipo que hace borradores a 360p y termina a 1080p paga una tarifa combinada que no aparece en ninguna parte del panel, y el número único del panel sobreestimará la mitad de borrador de ese flujo de trabajo por un factor de cuatro.

Lo que una arena de preferencias no puede decirte

These are blind human-preference votes, not a benchmark suite. Nobody is measuring whether a fifteen-second clip holds a character's jacket colour across a cut, whether the audio stays in sync at the fourth extension turn, or whether the model respects a six-reference-image brief. Those are the properties G​oogle's 5 November changelog actually claims — improved character and subject consistency across up to six reference images, clearer lip-sync, distinct multi-speaker conditioning — and none of them is what a pairwise "which clip is better" vote measures.

Los votos tampoco pueden ver los modos de fallo que importan operativamente. Un modelo que rechaza un prompt no puntúa nada; un modelo que devuelve un archivo técnicamente válido con rostros que se degradan puntúa bien en una comparación de un solo clip y mal a lo largo de una secuencia de veinte planos. Arena Elo es un instrumento por clip que se está usando para responder una pregunta por proyecto.

Dónde queda un pipeline con esto y qué enrutamos

G​emini Omni Flash 1.2 is not in OrcaRouter's catalogue. We checked the live model list and there is no Omni entry of any version, so if the model is what you need, G​oogle's own API is the path and we would rather say that than imply otherwise. What the routing layer changes is the part of a video pipeline that is not video: the shot list, the prompt expansion, the captioning pass and the post-hoc audit are all text work, and those run on models we do carry — including on one key, at provider list price with 0% markup, so a vendor price move reaches the bill the day it happens rather than at the next contract.

There is a concrete version of that argument in this release. The 1.2 video rate is 30% below 1.1 and the 1.1 endpoint stops being separately billable on 3 December, when G​oogle starts routing it to 1.2 automatically. A pipeline that hard-coded the old per-second constant now has three weeks to notice. A pipeline that reads the rate from a gateway that passes list price through does not have the problem, because there is nothing to re-hardcode.

¿Qué cambiaría esta lectura?

Three things, in order of usefulness. A published refusal rate for the editing board would turn the #2 into something comparable; today the note tells you the test set shrank but not by how much. A second week of votes on 1.2 would narrow the text-to-video interval enough to settle whether 26 Elo is a real gap or a sampling artefact — the current overlap is one point wide, which is the least informative place for an interval to sit. And any independent measurement of the reference-image consistency claim would be worth more than all three boards combined, because that claim is the one G​oogle is actually selling and the one no arena is testing.

Until then the honest summary is narrow. G​emini Omni Flash 1.2 is a better video model than G​emini Omni 1.1 Flash on all three boards, clearly so on image-to-video and probably so on the other two, at 30% less per token, with a safety filter that removes part of its editing test set and an operator who will route the old endpoint to the new one in three weeks whether or not you have tested it.