Gemini Omni 1.2 Flash נגד Qwen3.8-Omni-Flash: המילה "Omni" ממלאת שני תפקידים

ההערכה שפרסמה Alibaba בעצמה מעמידה את העלות של קריאת שעה של וידאו ב-720p באמצעות Qwen3.8-Omni-Flash על כ-עשרים סנט. מחיר המחירון של Google לשעה של 720p שנוצר מ-Gemini Omni 1.2 Flash הוא 252 דולר. שני הדגמים נקראים Omni. שניהם מקבלים טקסט, תמונה, אודיו ווידאו. האחד קורא חומרי וידאו ועונה בטקסט; האחר יוצר חומרי וידאו ועונה בקובץ. פער המחירים ביניהם אינו אות תחרותי, משום שהם אינם מתחרים — זהו המחיר של ייצור שנייה של מציאות לעומת המחיר של תיאור שלה.

לכך יש חשיבות משום שההשוואה נעשית כל הזמן, וכמעט תמיד עם הדגם הלא נכון בצד של Google. כל מאמר "Qwen Omni versus Gemini" שנמצא בתפוצה — כולל טבלת הבנצ'מרק ש-Alibaba עצמה פרסמה — משווה את Qwen3.8-Omni-Flash אל Gemini 3.8 Flash, מודל שמפיק טקסט במחיר 0.75 דולר למיליון טוקני קלט. זה המתחרה הנכון. Gemini Omni 1.2 Flash, זמין באופן כללי מאז 5 בנובמבר 2026, הוא מוצר אחר עם תמחור אחר, ואין בשום מקום השוואה ראש-בראש שפורסמה בין השניים.

מהו למעשה Qwen3.8-Omni-Flash

צוות Qwen של Alibaba שחרר אותו ב-18 בספטמבר 2026 כיורש של Qwen3.5-Omni-Plus, כשהוא נבנה על ארכיטקטורת Qwen3.8-Flash-Next. הדבר הראשון שצריך להבהיר הוא מודאליות הפלט, משום שהשם מזמין הנחה שגויה: הוא מפיק טקסט ורק טקסט. הוא אינו מייצר וידאו, ובניגוד לקודמו הוא גם אינו מייצר דיבור. כל מה שהוא אומני בו נמצא בצד הקלט.

בצד הזה הוא בעל יכולות יוצאות דופן. חלון ההקשר הוא מיליון טוקנים, כאשר כ-991,000 זמינים לקלט ו-131,000 לפלט. קריאה בודדת יכולה לעבד שעה של וידאו רציף. הוא מטפל בסטריאו דו-ערוצי ובאודיו מרחבי ארבע-ערוצי, וכך Qwen משיג את טריק הדגל שלו — איתור מקור צליל בחדר והצבעה עליו, סוג היכולת שצוות רובוטיקה או אנליטיקת פגישות חיכה לה. זיהוי דיבור מכסה 74 שפות ועוד 39 ניבים סיניים; המרת טקסט לדיבור מכסה 29 שפות בדגמים האחים. קיים וריאנט בזמן אמת, Qwen3.8-Omni-Flash-Realtime, שפועל عبر WebSocket או WebRTC עם פלט דיבור ו-56 קולות בהקשר של 192K.

התמחור הוא החלק האגרסיבי: $0.15 למיליון טוקני קלט, $0.47 למיליון פלט, ו-$0.016 למיליון עבור קלט במטמון. המשקלים סגורים. זה API בלבד, דרך Alibaba Cloud Model Studio ונקודות הקצה של Qwen עצמה, תואם OpenAI, בשישה אזורים.

מה זה בעצם Gemini Omni 1.2 Flash

המודל של גוגל עובד בכיוון ההפוך. טקסט, תמונות, אודיו ווידאו נכנסים; שלוש עד חמש־עשרה שניות של וידאו עם אודיו מסונכרן יוצאים, בקטעים של שנייה אחת, ב־16:9 או 9:16. אפשר לנסח טיוטה ב־360p או 720p ולהעלות ל־1080p או 4K. בקשה יכולה לשאת עד שש תמונות ייחוס, קליפ תנועה של עד שלוש שניות ורמזי אודיו, ועריכה רב־שלבית מאפשרת להחליף מוצר, לשנות את מזג האוויר או למסגר מחדש את הצילום בלי ליצור מחדש את כל הדבר. הרחבה מוסיפה שלוש עד עשר שניות בכל סיבוב עד לתקרה של 30 שניות. הכול מסומן במים עם SynthID.

גרסת 1.2 היא הורדת מחיר לא פחות משהיא שחרור יכולות: פלט וידאו ירד מ-17.50 דולר ל-12.00 דולר למיליון טוקנים, בערך 0.07 דולר לשנייה של 720p, ירידה של 30%. קלט טקסט נשאר ב-1.50 דולר למיליון ופלט טקסט ב-9.00 דולר למיליון. מגבלות הקצב של המסלול בתשלום הוכפלו באותו יום. Google לא פרסמה ציוני בנצ'מרק עם השחרור — רק טענות איכותניות לגבי עמידה בהנחיות ייחוס, סנכרון שפתיים והמשכיות מצלמה.

שלוש מלכודות עלות שמופיעות רק כשמריצים את שניהם

תקציב החשיבה מחויב כפלט. Qwen3.8-Omni-Flash מגדיר כברירת מחדל את מצב החשיבה שלו ל-"xhigh", עם תקציב היסק של עד 262,000 טוקנים שמחויב בתעריף הפלט. בקשה בודדת שחושבת לעומק על וידאו ארוך יכולה לעלות כ-$0.123 רק בהיסק — יותר מפי שש מאות ממה שההערכה של קריאת הווידאו מרמזת, והסיבה שכמה צוותים מדווחים שהמודל יקר כשנפח הצילומים בפועל שלהם זניח. הגבילו את תקציב החשיבה לפני שאתם מודדים משהו.

נתון הווידאו לשעה הוא אומדן של ספק. Alibaba אינה מפרסמת תעריף טוקנים לשנייה עבור קליטת וידאו, ולכן לא ניתן לגזור באופן בלתי תלוי את המספר "עשרים סנט לשעה" ממחירון. התעריפים של $0.15/$0.47 ניתנים לאימות; ההמרה לשעה היא האריתמטיקה של Qwen, וניתוח שפורסם כבר סימן את הטענה שהיא זולה ב-98% מ-Gemini כבלתי ניתנת לאימות בדיוק מהסיבה הזו.

עלות הרינדור מוכפלת במספר הטייקים, לא במספר תוצרי המסירה. קליפ בן חמש־עשרה שניות עולה $1.05. שש גרסאות מקוצרות עולות $6.30 — אבל אף אחד לא משיג שישה מתוך שישה במעבר הראשון. בשלושה ניסיונות לכל טייק שנבחר, אותן שש גרסאות מקוצרות עולות $18.90, וזה המספר שנכנס לתקציב. Google גם מגבילה רצף מורכב ל-30 שניות, כך שכל דבר ארוך יותר הוא סבב יצירה שני, ולא הארכה.

צינור עבודה לדוגמה: שלושים דקות קלט, שישה קליפים פלט

כאן זה המקום שבו שני המודלים מצדיקים את מקומם, ושבו התפלגות העלויות מנוגדת לאינטואיציה.

קראו את המאסטר. Qwen3.8-Omni-Flash לוקח את סרטון המקור באורך 30 הדקות ומחזיר תמלול עם חילופי דוברים, טקסט שעל המסך, רשימת שוטים עם קודי זמן, ורשימה קצרה של הרגעים שבהם מישהו אומר משהו ראוי לציטוט. לפי ההערכה של אליבאבא מדובר בערך בעשרה סנטים של קלט. הוסיפו סבב חשיבה כדי לבחור את ששת הרגעים הטובים ביותר, ואתם עדיין מתחת לרבע דולר — כל עוד התקציב מוגבל בתקרה.

רנדר את הגרסאות המקוצרות. שש תוצאות של חמש עשרה שניות מ-Gemini Omni 1.2 Flash, שלושה טייקים לכל אחת: $18.90. תמונות ייחוס של המוצר שומרות על עקביות האריזה בכל שש התוצאות; רמזי שמע שומרים על דיאלוג מובן; עריכה מרובת תורות מתקנת את שתי התוצאות שסוטות.

קראו את הפלטים בחזרה. ששת הקליפים המוגמרים חוזרים אל Qwen3.8-Omni-Flash כדי לאשר שהטקסט על המסך קריא, שהדיאלוג תואם לתסריט, ושאיש לא סטה לו הליפ-סינק ולו בפריים אחד. שש קליפים הם תשעים שניות של וידאו. עלות הקריאה זניחה; הבדיקה היא מה שמצדיק את חשבון הרינדור.

התבנית כללית: בזוג הזה, הניתוח זול והיצירה יקרה, בהפרש של שניים עד שלושה סדרי גודל. צוותים שמתקצבים את ההיפך — בהנחה שהמודל ה"חכם" חייב להיות היקר — מקצים פחות מדי משאבים לקו הרינדור ויותר מדי לקו הקריאה בכל פעם.

רשומת הבנצ'מרק, ושל מי המספרים האלה

כל מה שפורסם על Qwen3.8-Omni-Flash מגיע ממקום אחד: ההערכה של Alibaba עצמה, שפורסמה כמאמר arXiv ב-22 בספטמבר 2026. מול Gemini 3.8 Flash הוא מנצח ב-WildClawBench-MM בתוצאה 71.0 מול 58.9, ב-SpotSoundBench 67.2 מול 39.7, ובהפרדת דוברים בפגישות בפער עצום — שיעור שגיאת הפרדת דוברים של 3.35 לעומת 72.6. הוא מפסיד ב-OmniVideoBench בתוצאה 63.4 מול 65.2 וב-AgenticVBench בתוצאה 36.8 מול 45.0. אף אחד מזה לא שוחזר באופן עצמאי, ואף אחד מזה לא נוגע ל-Gemini Omni 1.2 Flash, שאינו קורא וידאו אל תוך חלון הקשר כלל.

הצד של גוגל במאזן ריק יותר. ההכרזה על Gemini Omni 1.2 Flash אינה מכילה מספרים — לא Elo, לא שיעור ניצחון, לא מערך בנצ'מרקים. ההשוואות איכותניות: התאמת רפרנס טובה יותר מאשר ב-1.1, דיאלוג זורם יותר, סנכרון שפתיים ברור יותר, פחות חיתוכי קפיצה. ההשחרורים של NVIDIA ושל Alibaba מגיעים לפחות עם טבלאות; זה של גוגל מגיע עם שמות תואר.

אז העמדה הכנה בשאלה "מה עדיף" היא שלשאלה אין תשובה מדודה ולא תהיה לה כזו עד שמישהו יריץ את שניהם על אותה משימה. מה שאפשר לומר בביטחון הוא צר יותר ושימושי יותר: המספרים של Qwen הושגו מול מודל טקסט-פלט בחמישית ממחיר הקלט, והם לא יעברו למחולל וידאו, משום ששתי המערכות נמדדות בכלים שונים לחלוטין.

היכן ששני הספקים באמת חופפים

לא על המודל. על החוזה הארגוני. שניהם סגורים, שניהם מבוססי API בלבד, ושניהם מוגבלים לאזורים מסוימים באופן מהותי — Alibaba מספקת שירותים בבייג'ינג, סינגפור, הונג קונג, טוקיו, פרנקפורט ווירג'יניה; תכונות העריכה של Google לוידאו שהועלה אינן זמינות בחלקים מאירופה. חברת מדיה שבוחרת ספק בוחרת הסכם לעיבוד נתונים ותחום שיפוט לא פחות משהיא בוחרת יכולת.

כדאי גם לציין מה אף אחד מהם לא יעשה. Qwen3.8-Omni-Flash לא יכול לייצר פריים, ו-Omni 1.2 Flash של Google לא יכול לענות על שאלה בנוגע לקליפ באורך עשר דקות. כל מי שמאחד את הרכש אצל ספק אחד כדי לקצץ בהוצאות רכש יגלה שהאיחוד הזה עולה לו ביכולת, בכל כיוון שיבחר להתאחד. הודעת ההעברה מ-Google מציגה את אותה נקודה מהצד השני: החל מ-3 בדצמבר 2026, בקשות ל-gemini-omni-1.1-flash ייענו על ידי 1.2 במחירי 1.2, ללא שינוי בקוד — תזכורת שנקודות קצה סגורות מתקדמות לפי לוח הזמנים של הספק, לא שלך.

מה OrcaRouter מכסה, ומה הוא לא מכסה

אף אחד משני המודלים האלה אינו נמצא ב-OrcaRouter, והטקסט הזה לא יעמיד פנים אחרת. מה שכן נמצא בפלטפורמה הוא היכולת הנלווית לבנות את ה-pipeline שלמעלה בלי חוזה שני ושלישי.

צד הקריאה מכוסה על ידי Qwen3.8 Flash: קלט של טקסט, תמונה ווידאו, פלט טקסט, חלון הקשר של מיליון טוקנים, ניתוח וידאו ארוך, בחיוב של $0.15 למיליון טוקני קלט ו-$0.47 למיליון טוקני פלט — אותו מחיר ואותו פרופיל כמו גרסת Omni, בלי תכונות האודיו המרחבי. צד הרינדור מכוסה על ידי Kling 3.0 Omni במחיר $0.084 לבקשה עבור טקסט לווידאו ותמונה לווידאו עם קליפים באורך 3–15 שניות. שניהם יושבים מאחורי מפתח אחד, כלומר פיזור (fan-out) ששולח את אותו מקור לקורא ולכותב הוא כלל ניתוב ולא פרויקט אינטגרציה; מעבר אוטומטי לגיבוי משמעו שתקלה אצל ספק לא עוצרת קמפיין באמצע הרינדור; ותוספת של 0% היא העברה ישירה של מחיר המחירון של הספק, כך שביום שספק משנה תעריף, המספר אצלנו משתנה בהתאם.

איך להחליט בעשר הדקות הקרובות

אם הבעיה שלך היא שיש לך חומרי וידאו ואין לך דרך לחפש בהם, להוסיף להם כתוביות או למצוא את הרגע שבו המגיש מזכיר את המחיר — קנה את הצד של Qwen. הגב קודם את תקציב החשיבה, ומדוד את קצב הקליטה האמיתי שלך במקום להסתמך על ההערכה לפי שעה.

אם הבעיה שלך היא שיש לך צילום מוצר ודדליין ואין צוות צילום, קנה את הצד של Google, ותקצב שלושה טייקים לכל צילום מוצלח במקום אחד.

אם יש לכם את שתי הבעיות, וזה למעשה המצב אצל רוב הצוותים, הפסיקו לחפש מנצח. שני המודלים המוזכרים בפסקה הראשונה של המאמר הזה לעולם לא יופיעו באותה טבלת בנצ׳מרק, מפני שאחד מהם מפיק קובץ והשני מפיק פסקה על הקובץ. המספר היחיד שמחבר ביניהם הוא זה שאיש אינו מפרסם: כמה שעות וידאו הארגון שלכם קורא על כל שעה שהוא מפיק.