Gemini Omni Flash 1.2 vs Gemini Omni 1.1 Flash: Dwa rankingi mówią „tak”, jeden mówi „jeszcze nie”

Od 3 grudnia 2026 r. każde żądanie wysłane do G​emini Omni 1.1 Flash zacznie trafiać do G​emini Omni Flash 1.2 zamiast tego, rozliczane według nowych stawek, bez zmian w przesyłanych danych. G​oogle opublikował tę datę routingu w tym samym wpisie dziennika zmian, w którym 1.2 stało się ogólnie dostępne 5 listopada. Pytanie o wersję nie dotyczy więc tego, czy migrujesz. Dotyczy tego, czy skończysz pomiary, zanim przełączenie cię dosięgnie, a niezależne dowody na to, by to zrobić, są bardziej niejednoznaczne, niż sugeruje obniżka ceny.

Co tak naprawdę pokazał ten sam tydzień głosowania

Artificial Analysis przetestowało obie wersje na wszystkich trzech swoich rankingach wideo i opublikowało wyniki obu w odstępie kilku dni od siebie. To rzadki przypadek, w którym porównania wersji nie trzeba zestawiać z dwóch różnych kampanii pomiarowych przeprowadzonych w różnym czasie.

W AA-Video-I2V v2.1 sprawa jest zamknięta. G​emini Omni Flash 1.2 plasuje się na poziomie 1086 przy 95-procentowym przedziale od 1071 do 1101; G​emini Omni 1.1 Flash plasuje się na poziomie 1044 przy przedziale od 1030 do 1058. Czterdzieści dwa punkty różnicy, brak nakładania się, 14. miejsce wobec 18. Niezależnie od tego, co jeszcze jest niepewne w nowym modelu, jego wyniki w generowaniu wideo z obrazu są mierzalnie preferowane względem wyników poprzednika o margines, który potwierdza próba.

W przypadku AA-Video-T2V v2.1 sprawa jest otwarta. 26-punktowa różnica — 1,154 kontra 1,128 — wiąże się z przedziałami od 1,140 do 1,168 i od 1,115 do 1,141. Mają jeden wspólny punkt. W przypadku AA-Video-Editing v1.1 różnica wynosi 18 punktów, 1,164 kontra 1,146, a przedziały pokrywają się w czterech punktach. Oba rankingi plasują 1.2 wyżej niż 1.1. Żaden ich nie rozdziela.

Ten wzorzec jest wart więcej niż jakakolwiek pojedyncza liczba. Nowy checkpoint, który wyraźnie wygrywa w jednym zadaniu, prawdopodobnie w drugim, a marginalnie w trzecim, to zwyczajny kształt wydania punktowego. To nie jest kształt skoku pokoleniowego, jaki mogłyby sugerować 15-sekundowe klipy i podwojone limity szybkości.

Cena to ta część bez słupków błędu.

Cena wideo na wyjściu spada z 17,50 USD do 12,00 USD za milion tokenów, czyli o 30%, i jest to jedyne twierdzenie w komunikacie, które nie wymaga przedziału ufności. Google rozlicza według stałej stawki tokenów na sekundę materiału, więc arytmetyka nie jest kwestią preferencji: przy 720p, 5792 tokeny na sekundę, koszt spada z około 0,10 USD do około 0,07 USD na sekundę. Przy 1080p z upsamplingiem to około 0,104 USD na sekundę, a przy 4K około 0,209 USD. Artificial Analysis normalizuje obie wersje do 9,12 USD i 6,26 USD za minutę 1080p, co stanowi te same 30% widziane z drugiego końca tego samego licznika.

Cena wejściowa pozostaje na poziomie 1,50 USD za milion tokenów w przypadku tekstu, obrazów i wideo, a cena wyjściowa tekstu pozostaje na poziomie 9,00 USD. W kolumnach batch, flex i priority nic się nie zmieniło, ponieważ wersja 1.2 nie ma żadnej z nich — wyłącznie poziom standardowy, a w żadnej z wersji nie ma darmowego poziomu.

Wykonaj obliczenia dotyczące klipów przed datą routingu, a nie po niej. Piętnaście sekund przy 720p w wersji 1.2 to około 1,05 USD w tokenach wyjściowych. Tych samych piętnastu sekund nie można było wygenerować w wersji 1.1 w jednym wywołaniu, ponieważ 1.1 ma limit dziesięciu sekund; uczciwe porównanie to dziesięć sekund za około 1,00 USD. Obniżka jest realna, ale duża jej część jest wydawana na zakup dodatkowych pięciu sekund, a zespół, który nigdy nie potrzebował dłuższych klipów, zobaczy mniejszą zmianę na fakturze, niż sugeruje to procent.

Gdzie piętnaście sekund przestaje być darmowe

Zwiększeniu czasu trwania towarzyszą przypadki brzegowe, które są udokumentowane, a nie odkrywane, a trzy z nich zmieniają to, co może zawierać żądanie.

• Interpolacja — kontrola pierwszej i ostatniej klatki działa od trzech do dziesięciu sekund w obu wersjach; żądanie jedenastu sekund lub więcej z dwiema klatkami referencyjnymi zwraca błąd nieprawidłowego argumentu w wersji 1.2.

• Wideo referencyjne — materiały wyjściowe o długości od trzech do dziesięciu sekund przyjmują trzy filmy referencyjne, każdy o długości do trzech sekund, natomiast materiały wyjściowe o długości od jedenastu do piętnastu sekund przyjmują jeden. Wydłużenie ujęcia może po cichu unieważnić żądanie, które przeszło z trzema.

• Extension — Extension działa od trzech do dziesięciu sekund na turę, z dziesięciosekundowym oknem wstecznym, łącznie ograniczony do 30 sekund, i wyłącznie na końcu klipu. W wersji 1.1 limit edycji i Extension wynosił dziesięć sekund danych wejściowych.

• Obrazy referencyjne — do sześciu na żądanie, we wszystkich trzech trybach, co jest zmianą, którą G​oogle wysuwa na pierwszy plan w komunikacji premierowej dotyczącej spójności postaci i obiektów.

• Region — edycja i przedłużanie przesłanego wideo są niedostępne w EOG, Szwajcarii i Wielkiej Brytanii; to ograniczenie opisano w przewodniku. Jeśli Twoi użytkownicy są na tych rynkach, argument za edycją konwersacyjną w ogóle ich nie dotyczy.

• Limity, które nie uległy zmianie — brak instrukcji systemowych, brak parametru temperature, brak top_p, brak negatywnych promptów, brak aprowizowanej przepustowości, brak źródeł YouTube, brak wnioskowania na podstawie wielu filmów. Każde wyjście jest opatrzone znakiem wodnym SynthID.

Wiersz wyjściowy „Text”, który nie oznacza tego, na co wygląda

Karta modelu podaje wynik 1.2 jako „Wideo z natywnym dźwiękiem, tekstem”, podczas gdy dla 1.1 widnieje zwykłe „Wideo”, a tę różnicę odczytano jako nowy kanał tekstowy. To nim nie jest. Przewodnik Omni nie opisuje dla 1.2 żadnego trybu wyjścia tekstowego; tekst pojawia się wyrenderowany w kadrze — etykiety, napisy, osie — a kształt żądania nadal dotyczy odpowiedzi wideo. Odpowiedzi REST zawierają tablicę steps, której wpis „thought” jest śladem rozumowania, a nie odpowiedzią. Jeśli pipeline potrzebuje z API ciągu podpisu, żadna z wersji go nie zwraca, a różnica w tym wierszu opisuje to, co model rysuje, a nie to, co ci daje.

Wiersz audio to rzeczywista zmiana, ale zmiana jakościowa, a nie rodzajowa. Obie wersje generują natywne, zsynchronizowane audio. Google przy premierze twierdzi, że dialog jest płynniejszy, lip-sync wyraźniejszy, a warunkowanie dla wielu mówców odrębne, oraz że referencje mogą zawierać sygnały audio i jednosekundowe próbki głosu — te ścieżki referencyjne są objęte listą dozwolonych w Google Cloud, wejście audio nie jest obsługiwane przez sam model w tej wersji, dźwięk z wideo referencyjnego jest ignorowany, a edycja głosu jest niedostępna. Możesz poprosić o głos w prompcie; nie możesz go później edytować. Za żadnym z tych twierdzeń o jakości nie stoi niezależny test, a trzy powyższe rankingi mierzą preferencje wizualne, a nie to, czy słowa pasują do ruchu ust.

Migracja, która psuje systemy zależne, a nie żądanie

Ponieważ ładunek się nie zmienia, obszar awarii to wszystko, co zasila żądanie. Cztery miejsca do sprawdzenia przed 3 grudnia, w kolejności, w jakiej zwykle się psują:

Wartości domyślne czasu trwania. Żądanie, w którym pominięto czas trwania, było ograniczane do dziesięciu sekund i nadal domyślnie przyjmuje dziesięć, więc niezmodyfikowane wywołania zachowują się identycznie. Co się psuje, to walidacja, która traktowała dziesięć jako maksimum.

Warunkowanie par ramek. Każda ścieżka kodu łącząca interpolację z czasem trwania powyżej dziesięciu teraz zgłasza błąd zamiast po cichu obcinać — lepsze zachowanie, głośniejsza awaria.

Modele kosztów. Każda stała na sekundę wynikająca ze stawki 1.1 jest przy 720p o 30% za wysoka. Jeśli rozliczasz się wewnętrznie za każdy render, to jest wiersz, który należy zmienić, dopóki stare ceny są jeszcze poprawne, ponieważ po przełączeniu liczba będzie błędna w kierunku, który pochlebia Twojej marży.

Zachowanie filtra. Wiersz tablicy edycyjnej dla {{1}}1.2{{/1}} zawiera notatkę, że model odrzucił część zestawu testowego przez filtry praw autorskich i bezpieczeństwa, a opublikowany wynik odzwierciedla pozostałe prompty. Potok produkcyjny, który zakładał, że każde żądanie zwraca plik, potrzebuje ścieżki odmowy konkretnie w nowej wersji. Notatka pojawia się tylko w wierszu {{2}}1.2{{/2}}, a nie w wierszu {{3}}1.1{{/3}}.

Dwa sposoby na zmianę — i który z nich pasuje

Jeśli Twoje treści są mierzone i podoba Ci się wynik, przeprowadź migrację wcześnie i wykorzystaj te trzy tygodnie na ponowny pomiar na własnym materiale. Obniżka ceny i wydłużenie czasu trwania są warte zachodu, różnica między obrazem a wideo jest realna, a alternatywą jest przeniesienie 3 grudnia bez danych w którąkolwiek stronę.

Jeśli Twoje treści mają duży wolumen, a nie zaglądałeś do nich od czasu ostatniej zmiany, użytecznym podejściem jest uruchomienie obu wariantów. Utrzymuj 1.1 na ścieżce produkcyjnej, dopóki wciąż da się ją adresować osobno, skieruj procent ruchu w trybie cieniowym do 1.2 i porównuj na osi, której nie mierzą rankingi — jak często klip przetrwa aż do dostarczenia, a nie jak często wygrywa w głosowaniu parami. To problem routingu, a nie modelu — a routing to warstwa, w której działamy. Żaden z endpointów Omni nie jest dziś w katalogu OrcaRouter, więc to nie jest oferta, żebyśmy je obsługiwali; to powód, dla którego podniesienie wersji boli najbardziej w pipeline'ach, które mają dokładnie jedną ścieżkę i żadnego sposobu, by uruchomić drugą obok niej. Na miejsce rzeczywiście zasługujemy dzięki otaczającej pracy z tekstem: wywołania rozszerzania promptu i listy ujęć, które zasilają render, można składać z użyciem kilku modeli za pośrednictwem jednego endpointu w cenie katalogowej dostawcy, z automatycznym przełączaniem awaryjnym, jeśli któryś ulegnie degradacji, a reguła routingu może kierować część żądań do innego modelu bez wdrożenia.

Jedyne, czego nie należy robić, to przypinać wersji 1.1 po 3 grudnia i dowiadywać się o zmianie z faktury. Endpoint kieruje ruchem niezależnie od tego, co mówi konfiguracja.

Porównanie wersji, wyrażone jako porównanie wersji

1.2 jest tańszy na sekundę, dłuższy na klip, lepszy w image-to-video o margines, który przetrwa własne przedziały błędu, i prawdopodobnie lepszy w text-to-video oraz edycji na podstawie dowodów, które jeszcze go nie oddzielają od 1.1. Ma filtr bezpieczeństwa, który usuwa część benchmarku edycji i usunie część Twojego obciążenia pracą przy edycji, a także dziedziczy ruch 1.1 w dniu, który G​oogle już opublikował.

Porównanie, które będzie się cytować, to zmiana miejsca w rankingu, bo z dwunastego na szóste brzmi jak skok, a czterdzieści dwa Elo brzmi jak liczba. Porównanie, które przewiduje, jak pójdzie następny kwartał, to to z przedziałami, a ono mówi: jedno wyraźne zwycięstwo, dwa prawdopodobne i tańszy licznik pod wszystkimi trzema.