Gemini Omni Flash 1.2 против Qwen 3.8 Omni Flash: один создаёт видеоматериал, другой его читает

На вопрос «что лучше — Gemini Omni Flash 1.2 или Qwen3.8-Omni-Flash» есть короткий ответ, который большинство страниц со сравнениями вам не дадут: их нельзя сравнить, потому что один из них за всю свою жизнь не создал ни одного кадра видео. Gemini Omni Flash 1.2 — это видеогенератор с нативным звуком, который принимает на вход текст, изображения и референсное видео, а на выходе выдаёт MP4. Qwen3.8-Omni-Flash — это мультимодальный ридер, который принимает на вход текст, изображение, аудио и видео, а возвращает текст: никакой генерации видео, изображений или звука. Это две разные машины, которые видеокоманда в итоге покупает в один и тот же квартал. Перед вами не выбор «А или Б». Вопрос в том, сколько взять каждого из них, и арифметика, которая на него отвечает, — это длительность, а не качество.

Колонка output решает это раньше, чем бенчмарки.

Любое сравнение этих двух моделей начинается с таблицы лидеров, которой не существует. Artificial Analysis ведёт три видеотаблицы — по редактированию, преобразованию текста в видео и изображения в видео — и Gemini Omni Flash 1.2 оценивается во всех трёх, занимая сейчас второе, шестое и четырнадцатое места. Qwen3.8-Omni-Flash нет ни в одной из них. Она не занимает низкое место — она отсутствует, потому что нет видеовыхода, который можно было бы ранжировать. Очный Elo между этими двумя — не число, которое мы скрываем. Это число, которое никто не может вычислить.

Сравнивать можно только интерфейс. G​emini Omni Flash 1.2 возвращает видео. Qwen3.8-Omni-Flash возвращает токены. Всё, что идёт дальше по цепочке от этого единственного различия, следует механически.

• Входные данные — G​emini Omni Flash 1.2 принимает текст, до шести референсных изображений и референсные видеоклипы; Qwen3.8-Omni-Flash принимает текст, изображения, аудио и видео, включая материалы длительностью более часа в одном вызове.

• Вывод — Gemini Omni Flash 1.2 возвращает видео с нативно синхронизированным звуком; Qwen3.8-Omni-Flash возвращает только текст.

• Контекст — G​emini Omni Flash 1.2 принимает 131,072 входных токена и возвращает 65,536; Qwen3.8-Omni-Flash принимает чуть меньше миллиона входных токенов (991,808) и возвращает до 131,072.

• Предел длительности — G​emini Omni Flash 1.2 генерирует от трёх до пятнадцати секунд за вызов, с возможностью продления шаг за шагом до 30 секунд; Qwen3.8-Omni-Flash наблюдает часами, и его предел — это бюджет токенов, а не время выполнения.

• Цена — Gemini Omni Flash 1.2 тарифицирует видеовыход по $12,00 за миллион токенов, а ввод текста и медиа — по $1,50; Qwen3.8-Omni-Flash тарифицирует $0,15 за миллион входных и $0,47 за миллион выходных токенов.

Сколько стоят пятнадцать секунд сгенерированного видео по сравнению с часом просмотренного видео

Сведите два прайс-листа к одной шкале — и асимметрия перестанет быть абстрактной. G​oogle тарифицирует сгенерированное видео по фиксированной ставке токенов за секунду видеоматериала: 5 792 токена в секунду при 720p, 8 688 — при 1080p с апскейлингом. При $12.00 за миллион пятнадцатисекундный клип 720p стоит примерно $1.05 в выходных токенах, а полная минута 1080p — $6.26; именно эту цифру Artificial Analysis указывает в своей колонке затрат, и она совпадает до цента с собственным тарифным справочником G​oogle.

Теперь о другой стороне. Qwen3.8-Omni-Flash тарифицируется не по секундам отснятого материала, а по токенам, причём видеокадры токенизируются с частотой, задаваемой конфигурацией сэмплирования. Час материала при скромной частоте один кадр в секунду — это десятки тысяч визуальных токенов, а не сотни тысяч, и при цене $0.15 за миллион входных токенов загрузка этого часа обойдётся в центы, а не в доллары. Точная цифра зависит от выбранных вами частоты кадров и разрешения — и в этом вся суть: просмотр достаточно дёшев, чтобы настраивать его ради точности, тогда как генерация достаточно дорога, чтобы настраивать её ради длины.

Эта асимметрия и есть суть решения о закупке. Команда, которая бюджетирует эти две вещи как взаимозаменяемые — «у нас есть X долларов на ИИ для видео» — будет систематически недозакупать дешёвую сторону и чрезмерно ограничивать дорогую. Команда, которая бюджетирует их как конвейер, покупает час машинной проверки дешевле, чем обходится одна секунда сгенерированного материала, а затем тратит бюджет на генерацию только на те клипы, которые проходят отбор.

Процесс, о котором никто не пишет: что происходит до промпта

Вот где связка перестаёт быть теоретической. Дорогостоящий сбой в видеоконвейере — это не плохой рендер. Это хороший рендер не того, что нужно, обнаруженный после того, как были оплачены четыре этапа расширения и шесть референсных изображений.

Модель-читатель меняет эту последовательность. Загрузите исходные материалы, существующий ролик клиента, демонстрацию продукта, пятидесятиминутное интервью — всё, чему должен соответствовать новый клип, — в Qwen3.8-Omni-Flash и запросите то, что нужно для промпта: список кадров с таймингами, доминирующий цвет и освещение для каждой сцены, текст на экране, говорящих и время, когда говорит каждый из них, а также склейки, которые нельзя пересекать. Этот результат — текст, а текст — то, что вы подаёте генератору. G​emini Omni Flash 1.2 не принимает видео в качестве набора инструкций; он принимает промпт и до шести референсных изображений и не может смотреть час чего угодно, чтобы понять, что вы имели в виду.

Обратное направление слабее, но реально. Как только клип создан, та же модель-читатель может его проверить: сохраняется ли цвет куртки по обе стороны склейки, синхронизирован ли звук на четвёртом расширении, доживается ли надпись на экране до последнего кадра. Именно эти свойства заявлены в списке изменений Google от 5 ноября для версии 1.2, и именно эти свойства не измеряет ни одна арена предпочтений, потому что парное голосование «какой клип выглядит лучше» не способно заметить ошибку непрерывности, которая проявляется только на двенадцатой секунде.

Честное ограничение: ничто из этого не является одобренным производителем рабочим процессом. Документация A​libaba описывает Qwen3.8-Omni-Flash как универсальную мультимодальную модель, а не как инструмент для видеопроизводства, а руководство G​oogle не описывает пути приёма выходных данных конкурента. Этот паттерн практики собирают сами, и он работает, потому что на стыке оба конца общаются обычным текстом.

Где каждый из них — неподходящий инструмент

Qwen3.8-Omni-Flash — неподходящий инструмент, как только результатом должен стать файл с изображением. У него нет режима изображений, режима видео и режима аудио. Если в вашем задании сказано «сделай мне пятнадцатисекундный ролик», модель может рассказать, что в нём должно быть, но не может его сделать.

Gemini Omni Flash 1.2 — неподходящий инструмент для всего, что длиннее полуминуты, и для определённого набора рынков. Генерация длительностью от трёх до пятнадцати секунд с продлением не более чем до 30 секунд означает, что двухминутный объясняющий ролик придётся сшивать, и каждый стык — место, где может нарушиться непрерывность; бюджет в шесть референсных изображений призван это удержать, но не гарантирует. Редактирование и продление загруженного видео недоступны в ЕЭЗ, Швейцарии и Великобритании, поэтому для пользователей там обещания диалогового редактирования не существует. Бесплатного тарифа нет ни у одной из версий, а системных инструкций, temperature, top_p и негативных промптов нет — модель принимает только промпт и референсные материалы. Каждый результат несёт водяной знак SynthID.

И одна асимметрия, важная с коммерческой точки зрения: эндпоинт 1.1 автоматически перенаправляется на 1.2 3 декабря 2026 года, поэтому более старая версия G​emini не является долгосрочным запасным вариантом. У Qwen3.8-Omni-Flash нет такого принудительного перехода. Если вы строите конвейер, которому нужен стабильный ридер, то ридер — это стабильная половина этой пары.

Где на самом деле находится уровень маршрутизации

Ни одного из этих двух эндпоинтов нет в каталоге OrcaRouter, и мы предпочитаем сказать это прямо, а не позволять странице сравнения подразумевать обратное. G​emini Omni Flash 1.2 работает через API G​oogle; Qwen3.8-Omni-Flash работает через A​libaba Cloud Model Studio. Что мы действительно предоставляем — так это слой по обе стороны от них.

Часть конвейера выше, отвечающая за приём и аудит, — это работа с текстом и изображениями, и именно эта часть выполняется на моделях, которые мы маршрутизируем, — включая Qwen3.8-Flash (текстовую модель того же семейства) и instruct-модели Qwen3-VL для покадрового описания; все они доступны с использованием одного ключа по прайсовой цене провайдера с наценкой 0 % и автоматическим переключением при сбое, если вышестоящий сервис деградирует. Правило маршрутизации может без развёртывания направлять часть запросов на аудит ко второй модели — так вы узнаёте, достаточно ли хороша дешёвая модель-читатель, прежде чем закреплять за ней производственный путь. Вызов генерации остаётся там, где он должен оставаться: напрямую в Google, по счётчику Google, а изменения тарифов Google будут отражаться в вашем счёте по графику Google.

Это разделение стоит назвать прямо, потому что оно честно отражает облик видеостекa 2026 года. Ни один вендор не продаёт обе половины одинаково хорошо, и страдают те команды, которые пытались заставить один контракт покрывать и ридер, и рендерер.

Как принимать решения в порядке поступления затрат

Начните с ридера, потому что он дешёв и создаёт артефакт, который потребляет всё остальное. Если вы не можете получить из исходного видеоматериала пригодный шот-лист, отчёт по цвету и транскрипт, никакое качество генерации не спасёт проект — вы будете составлять промпты вслепую. Qwen3.8-Omni-Flash — разумный первый ридер по цене $0,15 за миллион входных токенов, а его контекст почти в миллион токенов означает, что час материала помещается без стратегии разбиения на фрагменты.

Затем измерьте фактическую длину своих клипов. Если медианная длительность вашего итогового материала меньше пятнадцати секунд — социальные нарезки, вставки продукта, кадры B-roll — G​emini Omni Flash 1.2 покрывает это одним вызовом примерно за $0,07 в секунду при 720p, и бюджета в шесть референсных изображений достаточно, чтобы удерживать объект на таком отрезке. Если ваша медиана превышает тридцать секунд, вы в любом случае приобретаете конвейер склейки, что бы ни говорила цена за токен, и ограничение на продление в 30 секунд — это то, что определяет ваш график, а не ваш счёт.

Значит, оценивайте стоимость сбоя, а не успеха. Отклонённый запрос на редактирование в версии 1.2 ничего не стоит и не возвращает файл; клип, который сбивается на двенадцатой секунде, обходится в целый рендер плюс время проверяющего. Именно второй сбой ловит модель-читатель — поэтому дешёвая половина этой пары обычно окупается первой.

Чего вам точно не следует делать, так это устраивать между ними очную дуэль. У них нет общего лидерборда, нет общего результата, и нет сценария, в котором один заменяет другой. Полезное сравнение — это соотношение: сколько минут видеоматериала вы можете позволить себе просмотреть на каждую секунду, которую можете позволить себе сгенерировать, — и для большинства команд в конце 2026 года это соотношение измеряется сотнями.