Gemini Omni Flash 1.2 vs Qwen 3.8 Omni Flash: uno crea el metraje y el otro lo lee

La pregunta "¿cuál es mejor, G​emini Omni Flash 1.2 o Qwen3.8-Omni-Flash?" tiene una respuesta corta que la mayoría de las páginas de comparación no te dará: no se pueden comparar, porque uno de ellos nunca ha producido un solo fotograma de video en su vida. G​emini Omni Flash 1.2 es un generador de video con audio nativo que recibe texto, imágenes y video de referencia y devuelve un MP4. Qwen3.8-Omni-Flash es un lector multimodal que recibe texto, imagen, audio y video y devuelve texto — no genera video, ni imagen, ni audio en absoluto. Son dos máquinas distintas que un equipo de video termina comprando en el mismo trimestre. La decisión que tienes delante no es A o B. Es cuánto de cada una, y la aritmética que responde a eso es la duración, no la calidad.

La columna de salida lo resuelve antes que los benchmarks.

Toda comparación entre estos dos modelos parte de una clasificación que no existe. Artificial Analysis gestiona tres tablas de video —edición, texto a video e imagen a video— y Gemini Omni Flash 1.2 tiene puntuación en las tres: actualmente, segunda, sexta y decimocuarta. Qwen3.8-Omni-Flash no aparece en ninguna. No es que esté clasificado bajo: está ausente, porque no hay salida de video que clasificar. Un Elo cara a cara entre estos dos no es una cifra que estemos ocultando. Es una cifra que nadie puede calcular.

Lo que puedes comparar es la interfaz. G​emini Omni Flash 1.2 devuelve vídeo. Qwen3.8-Omni-Flash devuelve tokens. Todo lo que está aguas abajo de esa única diferencia se sigue mecánicamente.

• Entrada — G​emini Omni Flash 1.2 acepta texto, hasta seis imágenes de referencia y clips de vídeo de referencia; Qwen3.8-Omni-Flash acepta texto, imágenes, audio y vídeo, incluido material de más de una hora de duración en una sola llamada.

• Salida — G​emini Omni Flash 1.2 devuelve vídeo con audio sincronizado nativo; Qwen3.8-Omni-Flash devuelve únicamente texto.

• Contexto — Gemini Omni Flash 1.2 acepta 131.072 tokens de entrada y devuelve 65.536; Qwen3.8-Omni-Flash acepta justo por debajo de un millón de tokens de entrada (991.808) y devuelve hasta 131.072.

• Techo de duración — G​emini Omni Flash 1.2 genera de tres a quince segundos por llamada, ampliables turno a turno hasta 30 segundos; Qwen3.8-Omni-Flash observa durante horas, y su techo es un presupuesto de tokens en lugar de un tiempo de ejecución.

Precio: G​emini Omni Flash 1.2 factura la salida de vídeo a $12.00 por millón de tokens, con entrada de texto y multimedia a $1.50; Qwen3.8-Omni-Flash factura $0.15 por millón de entrada y $0.47 por millón de salida.

Cuánto cuestan quince segundos de vídeo generado, frente a una hora de vídeo visto

Pon las dos listas de precios en el mismo eje y la asimetría deja de ser abstracta. G​oogle factura el vídeo generado a una tarifa fija de tokens por segundo de metraje: 5.792 tokens por segundo a 720p, 8.688 a 1080p con sobremuestreo. A $12,00 por millón, un clip de quince segundos a 720p cuesta aproximadamente $1,05 en tokens de salida, y un minuto completo a 1080p cuesta $6,26 —la cifra que Artificial Analysis imprime en su columna de costos, que cuadra al centavo con la propia lista de tarifas de G​oogle.

Ahora el otro lado. Qwen3.8-Omni-Flash no cobra por segundo de metraje; cobra por token, y los fotogramas de vídeo se tokenizan a una tasa determinada por la configuración de muestreo. Una hora de metraje a un modesto ritmo de un fotograma por segundo llega en forma de decenas de miles de tokens visuales, no de cientos de miles, y a $0.15 por millón de tokens de entrada, la ingesta de esa hora cuesta céntimos en lugar de dólares. La cifra exacta depende de la frecuencia de fotogramas y la resolución que elijas, y esa es la cuestión: ver es lo bastante barato como para ajustarlo en busca de precisión, mientras que generar es lo bastante caro como para ajustarlo en función de la duración.

Esa asimetría constituye toda la decisión de compra. Un equipo que presupuesta estos dos como sustitutos —«tenemos X dólares para IA de vídeo»— tenderá sistemáticamente a comprar de menos el lado barato y a limitar en exceso el caro. Un equipo que los presupuesta como una cadena de producción compra una hora de revisión por máquina por menos de un segundo de metraje generado, y luego dedica el presupuesto de generación solo a los clips que sobreviven.

El flujo de trabajo del que nadie escribe: qué ocurre antes del prompt

Aquí es donde el emparejamiento deja de ser teórico. El fallo caro en un pipeline de vídeo no es un render malo. Es un render bueno de lo equivocado, descubierto después de que ya se han facturado cuatro turnos de extensión y seis imágenes de referencia.

Un modelo lector cambia esa secuencia. Pasa el material original, el reel existente del cliente, el recorrido del producto, la entrevista de cincuenta minutos —lo que sea que el nuevo clip deba igualar— a Qwen3.8-Omni-Flash y pide lo que necesita un prompt: la lista de planos con tiempos, el color dominante y la iluminación por escena, el texto en pantalla, los hablantes y cuándo habla cada uno, los cortes que no deben cruzarse. Esa salida es texto, y el texto es lo que se le pasa a un generador. G​emini Omni Flash 1.2 no acepta un vídeo como conjunto de instrucciones; acepta un prompt y hasta seis imágenes de referencia, y no puede ver una hora de nada para averiguar qué querías decir.

La dirección inversa es más débil, pero real. Una vez que existe un clip, el mismo modelo lector puede auditarlo: ¿se mantiene el color de la chaqueta a través del corte?, ¿está el audio sincronizado en la cuarta extensión?, ¿sobrevive la etiqueta en pantalla hasta el último fotograma? Esas son exactamente las propiedades que el registro de cambios de G​oogle del 5 de noviembre atribuye a la 1.2, y exactamente las propiedades que ninguna arena de preferencias mide, porque un voto por pares de «qué clip se ve mejor» no puede ver un error de continuidad que solo aparece en el segundo doce.

El límite honesto: nada de esto es un flujo de trabajo avalado por el proveedor. La documentación de Alibaba describe Qwen3.8-Omni-Flash como un modelo multimodal general, no como una herramienta de producción de video, y la guía de Google no describe ninguna ruta de ingesta para la salida de su competidor. El patrón es uno que los profesionales arman, y funciona porque ambos extremos hablan texto plano en la unión.

Donde cada uno es la herramienta equivocada

Qwen3.8-Omni-Flash es la herramienta equivocada en el momento en que el entregable es un archivo que contiene una imagen. No tiene modo de imagen, ni modo de vídeo, ni modo de audio. Si tu encargo dice «hazme un corte de quince segundos», el modelo puede decirte qué debería contener, pero no puede hacerlo.

G​emini Omni Flash 1.2 es la herramienta equivocada para cualquier contenido de más de medio minuto y para un conjunto específico de mercados. La generación de tres a quince segundos con una extensión limitada a 30 segundos significa que un vídeo explicativo de dos minutos es un trabajo de empalme, y cada empalme es un punto en el que la continuidad puede fallar: justo lo que un presupuesto de seis imágenes de referencia pretende mantener unido y no garantiza. La edición y la extensión de vídeo subido no están disponibles en el EEE, Suiza y el Reino Unido, así que la propuesta de edición conversacional no existe para los usuarios de allí. No hay nivel gratuito en ninguna de las dos versiones, ni instrucciones de sistema, temperature, top_p ni prompts negativos: el modelo acepta un prompt y material de referencia y nada más. Cada salida lleva una marca de agua SynthID.

Y hay una asimetría que importa comercialmente: el endpoint de 1.1 se redirige automáticamente a 1.2 el 3 de diciembre de 2026, así que la versión más antigua de Gemini no es un respaldo a largo plazo. Qwen3.8-Omni-Flash no tiene asociada ninguna migración forzosa de ese tipo. Si estás construyendo un pipeline que necesita un lector estable, el lector es la mitad estable de este par.

Dónde se sitúa realmente la capa de enrutamiento

Ninguno de estos dos endpoints está en el catálogo de OrcaRouter, y preferimos decirlo antes que dejar que una página de comparación insinúe lo contrario. Gemini Omni Flash 1.2 se ejecuta a través de la API de Google; Qwen3.8-Omni-Flash se ejecuta a través de Alibaba Cloud Model Studio. Lo que sí ofrecemos es la capa a ambos lados de ellos.

La mitad de ingesta y auditoría del pipeline anterior es trabajo de texto y visión, y esa es la mitad que se ejecuta en los modelos que enrutamos —incluidos Qwen3.8-Flash, el hermano de la misma familia que solo maneja texto, y los modelos instruct Qwen3-VL para la descripción a nivel de fotograma—, todos accesibles con una sola clave al precio de lista del proveedor, con 0 % de recargo y conmutación por error automática si un upstream se degrada. Una regla de enrutamiento puede enviar una fracción de las solicitudes de auditoría a un segundo modelo sin necesidad de un despliegue, y así es como descubres si el lector barato es suficientemente bueno antes de comprometer una ruta de producción con él. La llamada de generación se queda donde tiene que quedarse: directamente a G​oogle, en el medidor de G​oogle, con el cambio de tarifas de G​oogle repercutiendo en tu factura según el calendario de G​oogle.

Esa división merece nombrarse sin rodeos, porque es la forma honesta de un stack de vídeo de 2026. Ningún proveedor vende bien ambas mitades, y los equipos que sufren son los que intentaron que un solo contrato cubriera un lector y un renderizador.

Cómo decidir, en el orden en que llegan los costos

Empieza por el lector, porque es barato y produce el artefacto que consume todo lo demás. Si no puedes obtener de tu material de origen una lista de planos, un informe de color y una transcripción utilizables, ninguna calidad de generación salvará el proyecto: estarás haciendo prompting a ciegas. Qwen3.8-Omni-Flash es un primer lector razonable a 0,15 USD por millón de tokens de entrada, y su contexto de casi un millón de tokens hace que una hora de material quepa sin necesidad de una estrategia de fragmentación.

Luego, mide la duración real de tus clips. Si tu entregable mediano está por debajo de los quince segundos —cortes para redes sociales, inserciones de producto, planos de B-roll—, Gemini Omni Flash 1.2 lo cubre en una sola llamada a unos $0.07 por segundo en 720p, y el presupuesto de seis imágenes de referencia basta para mantener a un sujeto a lo largo de ese intervalo. Si tu mediana supera los treinta segundos, estás comprando un pipeline de empalme diga lo que diga el precio por token, y el límite de extensión de 30 segundos es la restricción que rige tu calendario en lugar de tu factura.

Entonces, ponle precio al fallo, no al éxito. Una solicitud de edición rechazada sobre 1.2 no cuesta nada y no devuelve ningún archivo; un clip que se desfasa en el segundo doce cuesta todo el renderizado más el tiempo del revisor. El segundo fallo es el que detecta un modelo lector, y por eso la mitad barata de este par suele amortizarse primero.

Lo que no deberías hacer es tratarlos como si fuera una competición para ver cuál gana. No hay una clasificación compartida, ni un resultado común, ni ningún escenario en el que uno sustituya al otro. La comparación útil es una proporción —cuántos minutos de metraje puedes permitirte haber visto por cada segundo que puedes permitirte generar— y, para la mayoría de los equipos a finales de 2026, esa proporción se mide en cientos.