Gemini Omni Flash 1.2 vs Gemini Omni 1.1 Flash: dos tablas de clasificación dicen que sí, una dice que todavía no

El 3 de diciembre de 2026, todas las solicitudes enviadas a G​emini Omni 1.1 Flash empezarán a llegar a G​emini Omni Flash 1.2 en su lugar, facturadas con las nuevas tarifas y sin cambios en tu payload. G​oogle publicó esa fecha de enrutamiento en la misma entrada del registro de cambios que dio disponibilidad general a la 1.2 el 5 de noviembre. Así que la cuestión de la versión no es si migras. Es si terminas de medir antes de que el cambio te alcance, y la evidencia independiente para hacerlo es más desigual de lo que sugiere la reducción de precio.

Lo que realmente mostró la misma semana de votación

Artificial Analysis ejecutó ambas versiones en sus tres paneles de vídeo y publicó la comparación con pocos días de diferencia. Ese es el raro caso en el que una comparación de versiones no tiene que armarse a partir de dos campañas de medición diferentes realizadas en dos momentos distintos.

En AA-Video-I2V v2.1, el caso está cerrado. G​emini Omni Flash 1.2 se sitúa en 1.086, con un intervalo del 95% de 1.071 a 1.101; G​emini Omni 1.1 Flash se sitúa en 1.044, con 1.030 a 1.058. Cuarenta y dos puntos, sin solapamiento, 14.º frente a 18.º. Independientemente de cualquier otra incertidumbre que exista sobre el nuevo modelo, su salida de imagen a vídeo se prefiere de forma medible a la de su predecesor por un margen que la muestra respalda.

En AA-Video-T2V v2.1 el caso está abierto. La diferencia de 26 puntos —1.154 frente a 1.128— viene acompañada de intervalos de 1.140 a 1.168 y de 1.115 a 1.141. Comparten un único punto. En AA-Video-Editing v1.1 la diferencia es de 18 puntos, 1.164 frente a 1.146, y los intervalos se solapan en cuatro. Ambas tablas sitúan la 1.2 por encima de la 1.1. Ninguna de las dos las separa.

Ese patrón vale más que cualquier cifra individual. Un nuevo checkpoint que gana claramente en una tarea, probablemente en una segunda y de forma marginal en una tercera es la forma habitual de una versión puntual. No es la forma del salto generacional que los clips de 15 segundos y los límites de frecuencia duplicados podrían sugerir.

El precio es la parte que no tiene barras de error.

La salida de video cae de $17,50 a $12,00 por millón de tokens, un recorte del 30 %, y es la única afirmación del comunicado que no necesita intervalo de confianza. Google factura a una tarifa fija de tokens por segundo de metraje, así que la aritmética no es cuestión de preferencia: a 720p, 5.792 tokens por segundo, el costo pasa de unos $0,10 a unos $0,07 por segundo. A 1080p con sobremuestreo, es de unos $0,104 por segundo, y a 4K, de unos $0,209. Artificial Analysis normaliza ambas versiones a $9,12 y $6,26 por minuto de 1080p, que es el mismo 30 % visto desde el otro extremo del mismo medidor.

La entrada se mantiene en $1,50 por millón de tokens para texto, imagen y vídeo, y la salida de texto se mantiene en $9,00. Nada cambió en las columnas batch, flex o priority porque la 1.2 no tiene ninguna de ellas: solo nivel estándar, y no hay nivel gratuito en ninguna de las dos versiones.

Haz los cálculos del clip antes de la fecha de enrutamiento, no después. Quince segundos a 720p en 1.2 cuestan aproximadamente $1.05 en tokens de salida. Esos mismos quince segundos no se podían producir en 1.1 en una sola llamada, ya que 1.1 tiene un límite de diez segundos; la comparación honesta es diez segundos por aproximadamente $1.00. La reducción es real, pero una gran parte de ella se destina a comprar los cinco segundos adicionales, y un equipo que nunca necesitó clips más largos verá un cambio menor en la factura de lo que implica el porcentaje.

Donde los quince segundos dejan de ser gratis

El incremento de duración viene con casos límite que están documentados en lugar de descubiertos, y tres de ellos cambian lo que se permite que contenga una solicitud.

• Interpolación — el control de fotograma inicial y final funciona de tres a diez segundos en ambas versiones; solicitar once segundos o más con dos fotogramas de referencia devuelve un error de argumento no válido en la 1.2.

• Vídeo de referencia — las salidas de tres a diez segundos aceptan tres vídeos de referencia de hasta tres segundos cada uno, mientras que las salidas de once a quince segundos aceptan uno. Alargar una toma puede invalidar silenciosamente una solicitud que se aceptaba con tres.

• Extensión — la extensión se ejecuta de tres a diez segundos por turno con una ventana retrospectiva de diez segundos, con un límite total de 30 segundos, y solo al final del clip. En 1.1, el límite de edición y extensión era de diez segundos de entrada.

• Imágenes de referencia: hasta seis por solicitud, en los tres modos, que es el cambio con el que G​oogle encabeza el anuncio sobre la coherencia de personajes y sujetos.

• Región — la edición y extensión de video subido no está disponible en el EEE, Suiza y el Reino Unido, una restricción incluida en la guía. Si tus usuarios están en esos mercados, el argumento de la edición conversacional no aplica en absoluto para ellos.

• Límites que no se movieron: sin instrucciones de sistema, sin temperature, sin top_p, sin prompts negativos, sin throughput aprovisionado, sin fuentes de YouTube, sin razonamiento multi-video. Cada salida lleva una marca de agua SynthID.

Una fila de salida «Text» que no significa lo que parece

La tarjeta del modelo indica que la salida de 1.2 es «Video con audio nativo, texto», frente al simple «Video» de 1.1, y esa diferencia se ha interpretado como un nuevo canal de texto. No lo es. La guía de Omni no describe ningún modo de salida de texto para 1.2; el texto aparece renderizado dentro del fotograma —etiquetas, señalización, ejes— y la forma de la petición sigue siendo la de una respuesta de video. Las respuestas REST incluyen un array steps cuya entrada "thought" es una traza de razonamiento, no una respuesta. Si una canalización necesita que la API devuelva una cadena de leyenda, ninguna de las dos versiones devuelve una, y la diferencia en esa fila describe lo que el modelo dibuja, no lo que te entrega.

La fila de audio es un cambio real, pero un cambio de calidad, no de naturaleza. Ambas versiones generan audio sincronizado nativo. El lanzamiento de Google afirma un diálogo más fluido, una sincronización labial más clara y un condicionamiento diferenciado para múltiples hablantes, y dice que las referencias pueden incluir señales de audio y muestras de voz de un segundo; esas rutas de referencia están en la lista de permitidos de Google Cloud, la entrada de audio no es compatible con el propio modelo en esta versión, el audio de los vídeos de referencia se ignora y la edición de voz no está disponible. Se puede solicitar una voz; no se puede editar después. Ninguna de esas afirmaciones de calidad cuenta con una prueba independiente que la respalde, y las tres tablas de clasificación anteriores miden la preferencia visual, no si las palabras coinciden con las bocas.

La migración que rompe aguas abajo, no la solicitud

Como la carga útil no cambia, la superficie de fallo es todo aquello que alimenta la solicitud. Cuatro lugares que revisar antes del 3 de diciembre, en el orden en que suelen fallar:

Valores predeterminados de duración. Una solicitud que omitía la duración se limitaba a diez segundos y sigue teniendo diez por defecto, así que las llamadas no modificadas se comportan de forma idéntica. Lo que se rompe es la validación que trataba diez como el máximo.

Condicionamiento de pares de fotogramas. Cualquier ruta de código que combine interpolación con una duración superior a diez ahora genera un error en lugar de truncar en silencio: mejor comportamiento, fallos más ruidosos.

Modelos de costos. Toda constante por segundo derivada de la tarifa 1.1 es un 30 % demasiado alta a 720p. Si facturas internamente por render, esta es la línea que hay que cambiar mientras los precios antiguos sigan siendo correctos, porque tras el cambio el número será incorrecto en la dirección que favorece tu margen.

Comportamiento de los filtros. La fila del panel de edición correspondiente a 1.2 incluye una nota de que el modelo rechazó parte del conjunto de pruebas mediante filtros de derechos de autor y de seguridad, y la puntuación publicada refleja las indicaciones que lograron pasar. Una canalización de producción que daba por sentado que todas las solicitudes devuelven un archivo necesita una ruta de rechazo específicamente en la nueva versión. La nota aparece solo en la fila de 1.2, no en la de 1.1.

Dos formas de hacer el cambio, y cuál encaja

Si tu contenido se mide y te gusta el resultado, migra cuanto antes y aprovecha las tres semanas para volver a medir con tu propio material. La rebaja de precio y el aumento de duración merecen la pena, la brecha entre imagen y vídeo es real, y la alternativa es que te migren el 3 de diciembre sin datos en ningún sentido.

Si tu contenido es de gran volumen y no lo has revisado desde el último cambio, la postura útil es ejecutar ambos. Mantén 1.1 en la ruta de producción mientras siga siendo direccionable por separado, envía en modo sombra un porcentaje del tráfico a 1.2 y compara en el eje que las tablas de clasificación no miden: con qué frecuencia un clip sobrevive hasta la entrega, no con qué frecuencia gana una votación por pares. Ese es un problema de enrutamiento más que un problema de modelo, que es la capa en la que operamos. Hoy ninguno de los endpoints de Omni está en el catálogo de OrcaRouter, así que esto no es una propuesta para que los sirvamos; es la razón por la que un salto de versión duele más en las canalizaciones que tienen exactamente una ruta y ninguna forma de ejecutar una segunda junto a ella. Donde sí nos ganamos el lugar es en el trabajo de texto circundante: las llamadas de expansión de prompts y de lista de planos que alimentan un render pueden componerse contra varios modelos a través de un solo endpoint al precio de lista del proveedor, con conmutación por error automática si uno se degrada, y una regla de enrutamiento puede enviar una fracción de las solicitudes a un modelo distinto sin un despliegue.

Lo único que no hay que hacer es fijar la versión 1.1 más allá del 3 de diciembre y enterarte del cambio por una factura. El endpoint enruta sin importar lo que diga tu configuración.

La comparación de versiones, expresada como una comparación de versiones

1.2 es más económico por segundo, ofrece clips más largos, es mejor en imagen a vídeo por un margen que resiste sus propios márgenes de error y probablemente sea mejor en texto a vídeo y edición según pruebas que aún no permiten distinguirlo de 1.1. Incluye un filtro de seguridad que elimina parte de una prueba comparativa de edición y eliminará parte de tu carga de trabajo de edición, y hereda el tráfico de 1.1 en una fecha que Google ya ha publicado.

La comparación que se cita será el movimiento en el ranking, porque del doce al seis se lee como un salto y cuarenta y dos de Elo se lee como un número. La comparación que predice cómo irá el próximo trimestre es la que lleva los intervalos, y esa dice: una victoria clara, dos probables y un medidor más barato por debajo de las tres.