Ming-Image-0.1-Design vs Gemini Omni 1.1 Flash: Un entregable de diseño necesita ambas mitades

PídeleMing-Image-0.1-Design un vídeo y obtienes una imagen fija. Pídele a Gemini Omni 1.1 Flash una imagen fija y obtienes un error — su propia documentación enumera la generación de imágenes, la edición de imágenes y la salida intercalada de imagen y texto como capacidades no compatibles con el modelo. Así que una página que coloca a estos dos en dos columnas está comparando un renderizador con un proyector. Lo que realmente vale la pena comparar es lo que los equipos de diseño siguen haciendo mal: un entregable final suele necesitar una pantalla y un recurso en movimiento, y estos dos modelos poseen cada uno la mitad de eso, con un traspaso en el medio que destruye trabajo en silencio.

Ming-Image-0.1-Design es el modelo de texto a imagen de 6B de inclusionAI, publicado bajo MIT con pesos publicados el 17 de septiembre de 2026, diseñado para diseño gráfico con alta densidad de texto. Gemini Omni 1.1 Flash es el modelo de video de producción de Google, disponible de forma general desde el 27 de agosto de 2026, diseñado para contenido en movimiento de formato corto con audio sincronizado. Ninguno sustituye al otro, y la pregunta interesante es qué ocurre entre ellos.

Las dos mitades, expresadas sin rodeos

Empieza por lo que cada uno devuelve físicamente, porque todo lo demás es consecuencia.

• Salida — Ming-Image-0.1-Design devuelve una imagen fija, de hasta 2048 x 2048 con 12 pasos de muestreo y CFG 1.0, o 1024 x 1024 para mayor velocidad; Gemini Omni 1.1 Flash devuelve video, de hasta 40 segundos ensamblado a partir de llamadas de generación y extensión de 10 segundos

• Transparencia — Ming-Image-0.1-Design emite RGBA nativo cuando el prompt comienza con una frase de transparencia documentada, por lo que el alfa sale directamente del sampler; Gemini Omni 1.1 Flash no tiene salida transparente, y tampoco hay un formato de vídeo transparente en el pipeline.

• Estructura — El modelo Layer complementario de Ming-Image-0.1-Design descompone un diseño aplanado en 2–9 PNG RGBA separados que se recomponen para formar el original; Gemini Omni 1.1 Flash devuelve un único clip aplanado

• Entrada de referencia — Ming-Image-0.1-Design genera a partir de un prompt únicamente, sin necesidad de una imagen de referencia; Gemini Omni 1.1 Flash acepta hasta 10 imágenes por prompt y hasta tres clips de vídeo de referencia de 3 segundos, y lee hasta 10 segundos de metraje previo al extender una escena

• Límite de resolución — Ming-Image-0.1-Design tiene una resolución nativa de 2048; Gemini Omni 1.1 Flash renderiza de forma nativa a 720p y escala a 1080p y 4K, con un nivel de borrador de 360p

• Coste — Ming-Image-0.1-Design no tiene precio de alojamiento porque no hay endpoint alojado, así que el coste es tu propio tiempo de GPU en una tarjeta de 80 GiB; Gemini Omni 1.1 Flash factura $0.10 por segundo a 720p, con el nivel de borrador de 360p en torno a $0.03 por segundo

• Licencia — MIT para Ming-Image-0.1-Design, se permite el uso comercial; una API comercial para Gemini Omni 1.1 Flash cuya salida lleva marca de agua SynthID

Donde se rompe el traspaso

Si estás construyendo un pipeline de diseño que produce ambos, la dirección es en un solo sentido: Ming-Image-0.1-Design crea el fotograma y Gemini Omni 1.1 Flash lo anima. Lo inverso no existe. Y la costura entre ellos es donde se pierde el trabajo de diseño.

La primera víctima es el canal alfa. Un recurso de interfaz generado con un fondo transparente es la razón misma de usar un sampler que emita RGBA: se coloca sobre un diseño existente sin necesidad de un proceso de recorte. Si introduces ese fotograma en una ruta de video, la transparencia desaparece, porque no hay ninguna salida de video transparente en la que conservarla. La transparencia sobrevive en tu compositor, aplicada después de que el clip regrese, no en la cadena del modelo. Los equipos que planifican la composición antes de que exista el clip terminan rehaciéndola.

La segunda víctima es la resolución. Ming-Image-0.1-Design renderiza de forma nativa a 2048. Gemini Omni 1.1 Flash renderiza de forma nativa a 720p y escala hacia arriba. Un cuadro de diseño de 2048 píxeles alimentado a una ruta de renderizado de 720p es, en su mayor parte, detalle descartado, y el escalado que sigue es un paso del lado del proveedor que no controlas.

El tercero es el texto. La premisa completa de Ming-Image-0.1-Design es que el texto renderizado siga siendo legible al tamaño al que se leerá; ese es el eje que mide su 1.084 de Elo en la sección de Diseño UI/UX de Artificial Analysis. Un modelo de video que anima ese fotograma no vuelve a renderizar el texto; mueve los píxeles que se le dieron. Cualquier movimiento que cambie la perspectiva, la escala o la iluminación del fotograma moverá la tipografía con él, y el texto pequeño que era legible en una imagen fija no sobrevivirá a la transformación.

Nada de eso es un defecto en ninguno de los dos modelos. Es lo que ocurre cuando un entregable se divide entre dos sistemas que nunca fueron diseñados para pasarse el relevo entre sí, y la solución es una decisión de producción, no una elección de modelo: decide qué capa del entregable puede aplanarse y aplánala deliberadamente.

En qué es realmente buena cada mitad

La evidencia de Ming-Image-0.1-Design es una arena de terceros. Ocupa el puesto 45 de 104 en la tabla de clasificación Text to Image de Artificial Analysis, con un Elo de 995 en 21.342 votos, y el primero entre los modelos de pesos abiertos en el segmento UI/UX Design de ese tablero, con 1.084 de Elo en 2.100 votos en el segmento. La brecha entre esos dos números es la descripción honesta del modelo: un especialista según las métricas, no un generalista. Las cifras de su compañero Layer —error RGB L1 de 0,0574 e IoU suave alfa de 0,8923 a 1024 en el conjunto de prueba Crello— son reportadas por el proveedor y no han sido reproducidas, y deberían etiquetarse como tales.

La evidencia de Gemini Omni 1.1 Flash también es independiente, pero en una tabla diferente. En Artificial Analysis ocupaba el primer puesto tanto en las arenas de texto a vídeo como de imagen a vídeo en la categoría sin audio a fecha de 2 de septiembre de 2026, con un Elo de 1.324 y 1.364. Con el audio activado, cae a 1.237 y 1.180: segundo y cuarto. Esa diferencia de audio es un detalle que una hoja de especificaciones oculta y una clasificación expone, y conviene saberlo antes de presupuestar una campaña en torno a una afirmación de encabezar la tabla.

Los dos jurados no se solapan, y de eso se trata. No existe ningún terreno donde una imagen fija de diseño y un clip de diez segundos se juzguen el uno contra el otro, y cualquier artículo que insinúe lo contrario se está inventando un marcador.

Lo que cuesta la división, por intento

La economía de las dos mitades no es comparable y no debería promediarse en una sola partida presupuestaria.

Por el lado de las imágenes fijas, Ming-Image-0.1-Design no cuesta nada por imagen una vez que existe el hardware. Eso hace que la iteración sea gratuita en el sentido que importa: puedes generar veinte variantes de panel en una tarde y desechar diecinueve. Por el lado del movimiento, un clip de 10 segundos en 720p con Gemini Omni 1.1 Flash se factura a alrededor de $1.00; esos mismos 10 segundos en el nivel de borrador de 360p cuestan aproximadamente $0.30; una escena completa de 40 segundos en 720p —una generación más tres llamadas de extensión— ronda los $4.00. Google no ha publicado tarifas por segundo para los niveles de 1080p y 4K, y los listados de revendedores que citan $0.15 y $0.30 por segundo son estimaciones de mercado, no cifras del proveedor, así que cualquier presupuesto de producción en alta resolución sigue siendo provisional.

La consecuencia práctica es que las dos mitades quieren estilos de trabajo opuestos. Itera sobre la imagen fija, donde los reintentos son gratuitos. Comprométete con el vídeo, donde cada reintento se factura. Un equipo que itera en la mitad de vídeo es el equipo al que la factura le da la sorpresa, porque el primer fotograma no cuesta nada y las repeticiones cuestan todo.

Dónde encaja aquí una capa de enrutamiento es más estrecho de lo que sugeriría un argumento de venta, y vale la pena decirlo con precisión. Ming-Image-0.1-Design es una descarga con licencia MIT — OrcaRouter no enruta ningún modelo de inclusionAI, así que se ejecuta en tu hardware o no se ejecuta en absoluto. Gemini Omni 1.1 Flash es una API de proveedor con su propia clave y su propio medidor por segundo, y nosotros tampoco la enrutamos; Google no ha abierto la API de video Omni al enrutamiento de terceros. Lo que sí ofrecemos en el lado de movimiento es la línea de video de Kling, que incluye kling-v3, kling-v3-omni y kling-video-o1, además de MiniMax H3 — así que si la mitad animada de un entregable necesita una ruta alojada en lugar de un segundo contrato con un proveedor, eso existe de nuestro lado. En el lado de imagen ofrecemos la familia GPT-Image de OpenAI, los niveles de Imagen 4 de Google y las vistas previas de imagen de Gemini, y el endpoint de imagen Grok Imagine de xAI. Debido a que el precio de lista del proveedor se transfiere con un 0 % de margen en lugar de aplicar un margen, una rebaja de precio del proveedor en cualquiera de ellos está activa de nuestro lado el mismo día.

La decisión, en una sola pasada

• Necesitas recursos de diseño editables — Ming-Image-0.1-Design, y la descomposición en capas es la razón. Los recortes transparentes, los iconos, los sprites y las composiciones por capas son el terreno donde un sampler que emite RGBA elimina toda una etapa del pipeline.

• Necesitas movimiento, medido — Gemini Omni 1.1 Flash. Es el único de los dos con resultados independientes de arena en lo más alto de una clasificación, y el único con un precio por segundo publicado que puedes incluir en una previsión.

• Necesitas ambos — presupuesta la mitad del video por intento en lugar de por recurso, no asumas que el canal alfa sobrevive y planifica la composición después de que vuelva el clip.

• Necesitas vender el resultado — Gemini Omni 1.1 Flash es sin ambigüedad la mitad más segura, ya que MIT cubre los pesos de Ming-Image-0.1-Design y los términos de la API de Google cubren el vídeo. Las marcas de agua son la contrapartida: cada clip de Omni lleva SynthID, y ninguna salida de Ming-Image-0.1-Design lo lleva.

Lo que vale la pena observar a continuación no es otro enfrentamiento directo. Es si inclusionAI conecta un endpoint alojado a Ming-Image-0.1-Design —lo que eliminaría el coste de entrada de 80 GiB y cambiaría por completo esta comparación— y si Google cierra la brecha de audio en los tableros de video Omni. Esos dos hechos, y no otro marcador, deciden qué mitad de un entregable de diseño se lleva el presupuesto.