Gemini Omni 1.2 Flash против Qwen3.8-Omni-Flash: слово «Omni» выполняет две функции

Собственная опубликованная оценка Alibaba определяет стоимость анализа часа 720p-видео с помощью Qwen3.8-Omni-Flash примерно в двадцать центов. По прайс-листу Google час сгенерированного 720p-видео с помощью Gemini Omni 1.2 Flash стоит 252 доллара. Обе модели называются Omni. Обе принимают на вход текст, изображения, аудио и видео. Одна анализирует видеоматериал и отвечает текстом; другая генерирует видеоматериал и отвечает файлом. Разрыв в цене между ними — не сигнал конкуренции, ведь они не конкурируют: это стоимость производства секунды реальности против стоимости её описания.

Это важно, потому что такое сравнение проводят постоянно, и почти всегда при этом со стороны Google берут не ту модель. В каждой статье «Qwen Omni против Gemini», которая сейчас ходит по рукам, — включая таблицу бенчмарков, опубликованную самой Alibaba, — Qwen3.8-Omni-Flash сравнивают с Gemini 3.8 Flash — моделью с текстовым выводом по цене $0,75 за миллион входных токенов. Вот это правильный соперник. Gemini Omni 1.2 Flash, общедоступная с 5 ноября 2026 года, — это другой продукт с другим тарифом, и нигде не опубликовано прямого сравнения этих двух моделей.

Что на самом деле представляет собой Qwen3.8-Omni-Flash

Команда Qwen от Alibaba выпустила её 18 сентября 2026 года как преемницу Qwen3.5-Omni-Plus, построенную на архитектуре Qwen3.8-Flash-Next. Первое, что нужно уяснить, — это выходная модальность, поскольку название провоцирует неверное предположение: модель выдаёт текст и только текст. Она не генерирует видео и, в отличие от своей предшественницы, не генерирует и речь. Всё «omni» в ней относится к входу.

В этом отношении он необычайно силён. Окно контекста составляет один миллион токенов, из которых примерно 991 000 доступны для ввода и 131 000 — для вывода. Один вызов может обрабатывать час непрерывного видео. Он поддерживает двухканальное стерео и четырёхканальный пространственный звук — это и есть фирменный козырь Qwen: находить источник звука в комнате и указывать на него, та самая возможность, которую ждала команда робототехники или аналитики встреч. Распознавание речи охватывает 74 языка и 39 китайских диалектов; синтез речи охватывает 29 языков в родственных моделях. Есть вариант в реальном времени, Qwen3.8-Omni-Flash-Realtime, который работает через WebSocket или WebRTC с речевым выводом и 56 голосами при контексте 192K.

Ценообразование — агрессивная часть: $0,15 за миллион входных токенов, $0,47 за миллион выходных и $0,016 за миллион кэшированных входных. Веса закрыты. Доступ только через API, через Alibaba Cloud Model Studio и собственные эндпоинты Qwen, совместимые с OpenAI, в шести регионах.

Что на самом деле представляет собой Gemini Omni 1.2 Flash

Модель Google работает наоборот. На входе — текст, изображения, аудио и видео; на выходе — от трёх до пятнадцати секунд видео с синхронизированным звуком, с шагом в одну секунду, в формате 16:9 или 9:16. Можно создавать черновики в 360p или 720p и апскейлить до 1080p или 4K. Один запрос может содержать до шести референсных изображений, видеофрагмент движения длительностью до трёх секунд и аудиоподсказки, а многошаговое редактирование позволяет заменить продукт, изменить погоду или перекадрировать кадр, не перегенерируя всё целиком. Функция продления добавляет от трёх до десяти секунд за ход, вплоть до предела в 30 секунд. Всё помечается водяным знаком SynthID.

Релиз 1.2 — это не только расширение возможностей, но и снижение цены: стоимость видеовыхода упала с $17.50 до $12.00 за миллион токенов, что составляет примерно $0.07 за секунду видео в 720p — снижение на 30%. Ввод текста остаётся на уровне $1.50 за миллион, а вывод текста — $9.00 за миллион. В тот же день лимиты частоты запросов на платном тарифе были удвоены. Google не опубликовала вместе с релизом никаких результатов бенчмарков — только качественные заявления о соответствии референсу, синхронизации губ и непрерывности движения камеры.

Три ловушки затрат, которые проявляются только при запуске обоих

Бюджет рассуждений тарифицируется как вывод. Qwen3.8-Omni-Flash по умолчанию использует режим мышления «xhigh» с бюджетом рассуждений до 262 000 токенов, которые оплачиваются по тарифу вывода. Один запрос, который усиленно размышляет над длинным видео, может стоить около $0.123 только за рассуждения — это более чем в шестьсот раз превышает оценку стоимости чтения видео и объясняет, почему некоторые команды называют модель дорогой, хотя фактический объём их видеоматериала ничтожен. Ограничьте бюджет мышления, прежде чем запускать какие-либо бенчмарки.

Показатель стоимости видео в час — это оценка поставщика. Alibaba не публикует тариф в токенах в секунду для приёма видео, поэтому цифру «двадцать центов в час» нельзя независимо вывести из прайс-листа. Тарифы $0.15/$0.47 поддаются проверке; пересчёт в стоимость за час — это арифметика Qwen, и один опубликованный анализ уже отметил утверждение о том, что это на 98% дешевле Gemini, как неподдающееся проверке именно по этой причине.

Стоимость рендера умножается на количество дублей, а не на количество готовых материалов. Пятнадцатисекундный клип стоит $1.05. Шесть укороченных версий — $6.30, но с первого раза шесть из шести не получает никто. При трёх попытках на один годный вариант те же шесть версий обойдутся в $18.90, и именно эта цифра идёт в бюджет. Кроме того, Google ограничивает склеенную последовательность 30 секундами, поэтому всё, что длиннее, — это второй проход генерации, а не расширение.

Рабочий пайплайн: на входе — тридцать минут, на выходе — шесть клипов

Именно здесь обе модели оправдывают своё место, и именно здесь распределение затрат оказывается контринтуитивным.

Прочитайте мастер-файл. Qwen3.8-Omni-Flash берёт 30-минутное исходное видео и возвращает расшифровку с репликами говорящих, текстом на экране, шот-листом с таймкодами и коротким списком моментов, где кто-то говорит что-то достойное цитаты. По оценке Alibaba, это примерно десять центов затрат на входные данные. Добавьте этап рассуждения, чтобы выбрать шесть лучших моментов, — и вы всё ещё укладываетесь меньше чем в четверть доллара, при условии что бюджет ограничен.

Отрендерьте сокращённые версии. Шесть 15-секундных клипов от Gemini Omni 1.2 Flash, по три дубля на каждый: $18.90. Референсные изображения продукта обеспечивают единообразие упаковки во всех шести клипах; звуковые подсказки сохраняют разборчивость диалога; многоходовое редактирование исправляет два клипа с отклонениями.

Считайте выходные данные обратно. Шесть готовых клипов возвращаются в Qwen3.8-Omni-Flash, чтобы убедиться, что текст на экране разборчив, диалог соответствует сценарию, а синхронизация губ ни у кого не сбилась ни на один кадр. Шесть клипов — это девяносто секунд видео. Стоимость чтения пренебрежимо мала; именно проверка делает счёт за рендеринг обоснованным.

Закономерность общая: в этой паре анализ дешёв, а генерация дорога — на два-три порядка. Команды, которые закладывают бюджет на обратное — предполагая, что «интеллектуальная» модель должна быть дорогой, — каждый раз выделяют недостаточно ресурсов линии рендеринга и избыточно — линии чтения.

Рекорд бенчмарка — и чьи это числа

Всё опубликованное о Qwen3.8-Omni-Flash происходит из одного источника: собственной оценки Alibaba, опубликованной как статья arXiv 22 сентября 2026 года. В сравнении с Gemini 3.8 Flash она побеждает в WildClawBench-MM со счётом 71,0 против 58,9, в SpotSoundBench — 67,2 против 39,7, а в диаризации встреч — с огромным отрывом: частота ошибок диаризации 3,35 против 72,6. Она проигрывает в OmniVideoBench — 63,4 против 65,2 — и в AgenticVBench — 36,8 против 45,0. Ничто из этого не было независимо воспроизведено, и ничто из этого не касается Gemini Omni 1.2 Flash, которая вообще не считывает видео в контекстное окно.

Чаша весов Google пустее. В анонсе Gemini Omni 1.2 Flash нет ни цифр — ни Elo, ни процента побед, ни набора бенчмарков. Сравнения качественные: лучшее соответствие референсу, чем у 1.1, более плавный диалог, более четкая синхронизация губ, меньше резких склеек. Релизы NVIDIA и Alibaba по крайней мере выходят с таблицами; релиз Google — с прилагательными.

Итак, честная позиция по вопросу «что лучше» такова: на этот вопрос нет измеренного ответа, и он не появится, пока кто-нибудь не запустит обе системы на одной и той же задаче. С уверенностью можно утверждать нечто более узкое и полезное: показатели Qwen были получены в сравнении с моделью с текстовым выводом при цене входных данных в пять раз ниже, и они не перенесутся на видеогенератор, потому что эти две системы оцениваются совершенно разными инструментами.

Где два поставщика действительно пересекаются

Не в модели. В корпоративном контракте. Оба закрыты, оба доступны только через API, и оба ограничены по регионам так, что это имеет значение: Alibaba обслуживает Пекин, Сингапур, Гонконг, Токио, Франкфурт и Виргинию; функции редактирования загруженного видео в Google недоступны в некоторых частях Европы. Медиакомпания, выбирая поставщика, выбирает соглашение об обработке данных и юрисдикцию в не меньшей степени, чем функциональность.

Стоит также отметить, чего не умеет ни один из них. Qwen3.8-Omni-Flash не может сгенерировать кадр, а Omni 1.2 Flash от Google не может ответить на вопрос о десятиминутном клипе. Тот, кто объединит всё на одном поставщике, чтобы сократить закупочные издержки, обнаружит, что консолидация лишает его одной возможности — в каком бы направлении он ни консолидировался. Миграционное примечание от Google подтверждает это с другой стороны: с 3 декабря 2026 г. запросы к gemini-omni-1.1-flash обрабатываются версией 1.2 по ценам версии 1.2, без изменения кода — напоминание о том, что закрытые эндпоинты развиваются по графику поставщика, а не по вашему.

Что охватывает OrcaRouter, а что — нет

Ни одной из этих двух моделей нет на OrcaRouter, и этот материал не будет делать вид, что это не так. Что есть на платформе — это смежная возможность построить вышеописанный пайплайн без второго и третьего контракта.

За сторону чтения отвечает Qwen3.8 Flash: на входе текст, изображения и видео, на выходе текст, контекст в один миллион токенов, анализ длинных видео, оплата $0.15 за миллион входных и $0.47 за миллион выходных токенов — та же цена и тот же профиль, что у варианта Omni, минус функции пространственного аудио. За сторону рендеринга отвечает Kling 3.0 Omni по $0.084 за запрос для преобразования текста в видео и изображения в видео с клипами длительностью 3–15 секунд. Оба доступны по одному ключу, а значит, веерное распределение, которое отправляет один и тот же исходник на сторону чтения и на сторону рендеринга, — это правило маршрутизации, а не интеграционный проект; автоматическое переключение при сбое означает, что неполадка у провайдера не остановит кампанию посреди рендеринга; а наценка 0% — это прямой перенос каталожной цены провайдера, поэтому в тот день, когда поставщик меняет тариф, цифра на нашей стороне меняется вместе с ним.

Как принять решение за ближайшие десять минут

Если ваша проблема в том, что у вас есть видеоматериал, но нет способа искать по нему, субтитрировать его или находить момент, где ведущий упоминает цену, — выбирайте Qwen. Сначала ограничьте бюджет на размышления и измерьте реальную скорость приёма материала, а не полагайтесь на оценку в расчёте на час.

Если ваша проблема в том, что у вас есть съёмка продукта и дедлайн, а съёмочной команды нет, выбирайте решение от Google и закладывайте три дубля на один удачный кадр, а не один.

Если у вас присутствуют обе проблемы — а так оно и есть у большинства команд — перестаньте искать победителя. Две модели, названные в первом абзаце этой статьи, никогда не окажутся в одной таблице бенчмарка, потому что одна из них создаёт файл, а другая — абзац текста об этом файле. Единственный показатель, который их связывает, — тот, который никто не публикует: сколько часов видео ваша организация просматривает на каждый час, который создаёт.