Gemini Omni Flash 1.2 vs Gemini Omni 1.1 Flash : deux classements disent oui, un dit « pas encore »

Le 3 décembre 2026, chaque requête envoyée à G​emini Omni 1.1 Flash commencera à arriver sur G​emini Omni Flash 1.2 à la place, facturée aux nouveaux tarifs, sans modification de votre charge utile. G​oogle a publié cette date de routage dans la même entrée du journal des modifications qui a rendu la version 1.2 disponible de façon générale le 5 novembre. La question de la version n’est donc pas de savoir si vous migrez. Elle est de savoir si vous aurez terminé vos mesures avant que le basculement ne vous rattrape, et les preuves indépendantes permettant de le faire sont plus mitigées que ne le suggère la baisse de prix.

Ce que la même semaine de vote a réellement montré

Artificial Analysis a testé les deux versions sur ses trois tableaux de classement vidéo et a publié les deux à quelques jours d'intervalle seulement. C'est le rare cas où une comparaison de versions n'a pas besoin d'être reconstituée à partir de deux campagnes de mesure différentes menées à deux moments différents.

Sur AA-Video-I2V v2.1, le dossier est clos. G​emini Omni Flash 1.2 se situe à 1 086, avec un intervalle de confiance à 95 % de 1 071 à 1 101 ; G​emini Omni 1.1 Flash se situe à 1 044, avec 1 030 à 1 058. Quarante-deux points, aucun chevauchement, 14e contre 18e. Quelles que soient les autres incertitudes concernant le nouveau modèle, sa sortie image-vers-vidéo est préférée de façon mesurable à celle de son prédécesseur, avec une marge que l’échantillon étaye.

Sur AA-Video-T2V v2.1, le cas reste ouvert. L’écart de 26 points — 1 154 contre 1 128 — s’accompagne d’intervalles allant de 1 140 à 1 168 et de 1 115 à 1 141. Ils partagent un seul point. Sur AA-Video-Editing v1.1, l’écart est de 18 points, 1 164 contre 1 146, et les intervalles se chevauchent sur quatre points. Les deux classements placent 1.2 au-dessus de 1.1. Aucun des deux ne les départage.

Ce schéma vaut plus que n’importe quel chiffre pris isolément. Un nouveau checkpoint qui l’emporte clairement sur une tâche, probablement sur une deuxième et marginalement sur une troisième, c’est la forme ordinaire d’une version mineure. Ce n’est pas la forme du saut générationnel que pourraient suggérer les clips de 15 secondes et les limites de débit doublées.

Le prix est la partie sans barres d’erreur.

La sortie vidéo passe de 17,50 $ à 12,00 $ par million de tokens, soit une baisse de 30 %, et c’est la seule affirmation du communiqué qui n’a besoin d’aucun intervalle de confiance. Google facture selon un taux fixe de tokens par seconde de vidéo, si bien que le calcul n’est pas affaire de préférence : en 720p, à 5 792 tokens par seconde, le coût passe d’environ 0,10 $ à environ 0,07 $ par seconde. En 1080p avec suréchantillonnage, il est d’environ 0,104 $ par seconde, et en 4K, d’environ 0,209 $. Artificial Analysis normalise les deux versions à 9,12 $ et 6,26 $ par minute de vidéo 1080p, soit les mêmes 30 % vus depuis l’autre extrémité du même compteur.

L'entrée reste à 1,50 $ par million de tokens pour le texte, les images et la vidéo, et la sortie texte reste à 9,00 $. Rien n'a changé dans les colonnes batch, flex ou priorité, car la version 1.2 n'en dispose d'aucune — niveau standard uniquement, et aucun niveau gratuit sur l'une ou l'autre version.

Faites le calcul des clips avant la date d’acheminement plutôt qu’après. Quinze secondes en 720p sur 1.2 coûtent environ 1,05 $ en jetons de sortie. Les mêmes quinze secondes ne pouvaient pas être produites sur 1.1 en un seul appel, car 1.1 est limité à dix secondes ; la comparaison honnête est de dix secondes pour environ 1,00 $. La réduction est réelle, mais une large part de celle-ci sert à acheter les cinq secondes supplémentaires, et une équipe qui n’a jamais eu besoin de clips plus longs verra une variation de facture plus faible que ne le laisse entendre le pourcentage.

Là où les quinze secondes cessent d’être gratuites

L'augmentation de la durée s'accompagne de cas limites qui sont documentés plutôt que découverts, et trois d'entre eux changent ce qu'une requête est autorisée à contenir.

• Interpolation — le contrôle première et dernière image fonctionne de trois à dix secondes sur les deux versions ; demander onze secondes ou plus avec deux images de référence renvoie une erreur d’argument invalide sur la 1.2.

• Vidéo de référence — les sorties de trois à dix secondes acceptent trois vidéos de référence de trois secondes chacune maximum, tandis que les sorties de onze à quinze secondes n'en acceptent qu'une. Allonger un plan peut invalider silencieusement une requête qui passait avec trois.

• Extension — l’extension dure de trois à dix secondes par tour, avec une rétrospective de dix secondes, plafonnée à 30 secondes au total, et uniquement à la fin du clip. Sur la version 1.1, le plafond d’édition et d’extension était de dix secondes d’entrée.

• Images de référence — jusqu'à six par requête, dans les trois modes, ce qui est le changement que Google met en avant dans le discours de lancement autour de la cohérence des personnages et des sujets.

• Région — la modification et l’extension d’une vidéo importée ne sont pas disponibles dans l’EEE, en Suisse et au Royaume-Uni, une restriction mentionnée dans le guide. Si vos utilisateurs se trouvent sur ces marchés, l’argument de la modification conversationnelle ne s’applique pas du tout à eux.

• Des limites qui n'ont pas bougé — aucune instruction système, aucune température, aucun top_p, aucun prompt négatif, aucun débit provisionné, aucune source YouTube, aucun raisonnement multi-vidéo. Chaque sortie porte un filigrane SynthID.

Une ligne de sortie « Text » qui ne signifie pas ce qu’elle paraît signifier.

La fiche modèle indique que la sortie de 1.2 est « Vidéo avec audio natif, texte », contre le simple « Vidéo » de 1.1, et cette différence a été interprétée comme un nouveau canal texte. Ce n’en est pas un. Le guide Omni ne décrit aucun mode de sortie texte pour 1.2 ; le texte apparaît rendu à l’intérieur de l’image — étiquettes, signalétique, axes — et la forme de la requête reste une réponse vidéo. Les réponses REST contiennent un tableau steps dont l’entrée « thought » est une trace de raisonnement, pas une réponse. Si un pipeline a besoin qu’une chaîne de légende lui soit renvoyée par l’API, aucune des deux versions ne le fait, et la différence dans cette ligne décrit ce que le modèle dessine, pas ce qu’il vous fournit.

La ligne audio constitue un véritable changement, mais un changement de qualité, non de nature. Les deux versions génèrent un audio natif synchronisé. Le lancement de G​oogle revendique un dialogue plus fluide, un synchronisme labial plus net et un conditionnement multi-locuteur distinct, et indique que les références peuvent porter des repères audio et des échantillons vocaux d’une seconde — ces chemins de référence figurent sur la liste d’autorisation de G​oogle Cloud, l’entrée audio n’est pas prise en charge par le modèle lui-même dans cette version, l’audio des vidéos de référence est ignoré et la modification de la voix n’est pas disponible. Vous pouvez demander une voix ; vous ne pouvez pas la modifier ensuite. Aucune de ces affirmations de qualité ne repose sur un test indépendant, et les trois classements ci-dessus mesurent la préférence visuelle, et non si les mots correspondent aux bouches.

La migration qui casse les systèmes en aval, et non la requête

Comme la charge utile ne change pas, la surface de défaillance correspond à tout ce que la requête alimente. Quatre endroits à vérifier avant le 3 décembre, dans l’ordre où ils ont tendance à casser :

Valeurs par défaut de la durée. Une requête qui omettait la durée était plafonnée à dix secondes et a toujours dix pour valeur par défaut, de sorte que les appels non modifiés se comportent de manière identique. Ce qui casse, c’est la validation qui considérait dix comme le maximum.

Conditionnement par paire d’images. Tout chemin de code qui associe une interpolation à une durée supérieure à dix génère désormais une erreur au lieu de tronquer silencieusement — meilleur comportement, échec plus visible.

Modèles de coûts. Chaque constante par seconde dérivée du taux 1.1 est 30 % trop élevée en 720p. Si vous facturez en interne par rendu, c’est la ligne à modifier tant que les anciens prix sont encore corrects, car après le basculement, le chiffre sera erroné dans le sens qui flatte votre marge.

Comportement de filtrage. La ligne de 1.2 dans le tableau d’édition porte une note indiquant que le modèle a refusé une partie du jeu de test à cause des filtres de droits d’auteur et de sécurité, et le score publié reflète les prompts restants. Un pipeline de production qui supposait que chaque requête renvoie un fichier a besoin d’un chemin de refus spécifiquement sur la nouvelle version. La note n’apparaît que sur la ligne de 1.2, pas sur celle de 1.1.

Deux façons de faire la transition, et laquelle vous convient

Si votre contenu est mesuré et que le rendu vous plaît, migrez tôt et profitez des trois semaines pour refaire des mesures sur vos propres séquences. La baisse de prix et l’allongement de la durée valent la peine, l’écart image-vers-vidéo est réel, et l’alternative, c’est d’être basculé le 3 décembre sans aucune donnée pour trancher.

Si votre contenu est à fort volume et que vous ne l'avez pas examiné depuis le dernier changement, la posture utile consiste à faire tourner les deux. Gardez 1.1 sur le chemin de production tant qu'il reste adressable séparément, envoyez un pourcentage du trafic en miroir vers 1.2, et comparez sur l'axe que les classements ne mesurent pas — la fréquence à laquelle un clip survit jusqu'à la livraison, et non celle à laquelle il remporte un vote par paire. C'est un problème de routage plutôt qu'un problème de modèle, ce qui correspond à la couche sur laquelle nous opérons. Aucun des points de terminaison Omni ne figure aujourd'hui au catalogue d'OrcaRouter, donc ce n'est pas un argumentaire pour que nous les servions ; c'est la raison pour laquelle un changement de version fait le plus mal dans les pipelines qui n'ont qu'un seul chemin et aucun moyen d'en exécuter un second à côté. Là où nous méritons notre place, c'est dans le travail de texte périphérique : les appels d'expansion de prompt et de liste de plans qui alimentent un rendu peuvent être composés avec plusieurs modèles via un seul point de terminaison au prix catalogue du fournisseur, avec un basculement automatique en cas de dégradation de l'un d'eux, et une règle de routage peut envoyer une fraction des requêtes vers un autre modèle sans déploiement.

La seule chose à ne pas faire, c’est d’épingler la 1.1 au-delà du 3 décembre et de découvrir le changement sur une facture. Le point de terminaison route quoi que dise votre configuration.

La comparaison de versions, formulée comme une comparaison de versions

1.2 est moins cher à la seconde, plus long par clip, meilleur en image-vers-vidéo avec une marge qui résiste à ses propres barres d’erreur, et probablement meilleur en texte-vers-vidéo et en montage, selon des données qui ne le distinguent pas encore de 1.1. Il intègre un filtre de sécurité qui retire une partie d’un benchmark de montage et retirera une partie de votre charge de travail de montage, et il hérite du trafic de 1.1 à une date que Google a déjà publiée.

La comparaison qui sera citée sera le mouvement au classement, parce que de douze à six, ça ressemble à un bond, et quarante-deux points Elo, ça ressemble à un nombre. La comparaison qui prédit comment se passera le prochain trimestre est celle qui comporte les intervalles, et celle-là dit : une victoire nette, deux probables, et un compteur moins cher sous les trois.