Gemini Omni Flash 1.2 vs Gemini Omni 1.1 Flash: Två topplistor säger ja, en säger ännu inte

Den 3 december 2026 börjar varje förfrågan som skickas till G​emini Omni 1.1 Flash att landa på G​emini Omni Flash 1.2 i stället, faktureras enligt de nya priserna och utan någon ändring av din nyttolast. G​oogle publicerade det routningsdatumet i samma changelog-post som gjorde 1.2 allmänt tillgänglig den 5 november. Så versionsfrågan är inte huruvida du migrerar. Det är huruvida du hinner slutföra mätningen innan växlingen drabbar dig, och de oberoende beläggen för att göra det är mer blandade än prissänkningen antyder.

Vad samma veckas röstning faktiskt visade

Artificial Analysis körde båda versionerna på alla tre av sina videotavlor och publicerade de två med bara några dagars mellanrum. Det är det sällsynta fallet där en versionsjämförelse inte behöver sammanställas från två olika mätkampanjer vid två olika tidpunkter.

På AA-Video-I2V v2.1 är saken avgjord. G​emini Omni Flash 1.2 ligger på 1 086 med ett 95-procentigt intervall på 1 071 till 1 101; G​emini Omni 1.1 Flash ligger på 1 044 med 1 030 till 1 058. Fyrtiotvå poäng, inget överlapp, 14:e mot 18:e. Vad som än annars är osäkert med den nya modellen föredras dess bild-till-video-utdata mätbart framför föregångarens, med en marginal som urvalet stöder.

På AA-Video-T2V v2.1 är frågan öppen. Gapet på 26 punkter – 1 154 mot 1 128 – kommer med intervallen 1 140 till 1 168 och 1 115 till 1 141. De delar en enda punkt. På AA-Video-Editing v1.1 är gapet 18 punkter, 1 164 mot 1 146, och intervallen överlappar varandra över fyra punkter. Båda resultattavlorna rankar 1.2 högre än 1.1. Ingen av dem skiljer dem åt.

Det mönstret är värt mer än någon enskild siffra. En ny checkpoint som tydligt vinner på en uppgift, troligen på en andra och marginellt på en tredje, är den vanliga formen för en punktrelease. Det är inte formen för det generationsskifte som 15-sekundsklippen och de fördubblade rate limits kan antyda.

Priset är den del som saknar felstaplar

Videoutdata faller från $17,50 till $12,00 per miljon tokens, en minskning med 30 %, och det är det enda påståendet i pressmeddelandet som inte kräver något konfidensintervall. Google debiterar enligt en fast tokenfrekvens per sekund film, så aritmetiken är inte en fråga om tycke och smak: vid 720p, 5 792 tokens per sekund, går kostnaden från cirka $0,10 till cirka $0,07 per sekund. Vid 1080p med uppsampling är det cirka $0,104 per sekund, och vid 4K cirka $0,209. Artificial Analysis normaliserar båda versionerna till $9,12 respektive $6,26 per minut för 1080p, vilket är samma 30 % sett från andra änden av samma mätare.

Indata ligger kvar på $1.50 per miljon tokens för text, bild och video, och textutdata ligger kvar på $9.00. Inget förändrades i kolumnerna batch, flex eller priority eftersom 1.2 inte har någon av dem – endast standardnivå, och ingen gratisnivå i någon av versionerna.

Gör klippmatematiken före routingdatumet i stället för efteråt. Femton sekunder i 720p på 1.2 kostar ungefär $1.05 i output-tokens. Samma femton sekunder kunde inte produceras på 1.1 i ett enda anrop, eftersom 1.1 är begränsad till tio sekunder; den rättvisa jämförelsen är tio sekunder för ungefär $1.00. Besparingen är verklig, men en stor del av den går åt till att köpa de extra fem sekunderna, och ett team som aldrig behövde längre klipp kommer att se en mindre fakturaförändring än vad procenten antyder.

Där de femton sekunderna slutar vara gratis

Varaktighetsökningen medför gränsfall som dokumenteras i stället för att upptäckas, och tre av dem ändrar vad en begäran tillåts innehålla.

• Interpolering – styrning av första och sista bildrutan fungerar från tre till tio sekunder i båda versionerna; att begära elva sekunder eller mer med två referensbildrutor returnerar ett fel om ogiltigt argument i 1.2.

• Referensvideo – utdata på tre till tio sekunder accepterar tre referensvideor på upp till tre sekunder vardera, medan utdata på elva till femton sekunder accepterar en. Att förlänga en tagning kan i tysthet ogiltigförklara en begäran som godkändes med tre.

Extension – funktionen körs tre till tio sekunder per omgång med en tio sekunders tillbakablick, med ett tak på totalt 30 sekunder, och endast i slutet av klippet. I 1.1 var taket för redigering och förlängning tio sekunder indata.

• Referensbilder – upp till sex per förfrågan, i alla tre lägena, vilket är den förändring som G​oogle lyfter fram i lanseringskommunikationen om konsekvens för karaktärer och motiv.

• Region – redigering och förlängning av uppladdade videor är inte tillgänglig i EES, Schweiz och Storbritannien, en begränsning som anges i guiden. Om dina användare finns på dessa marknader gäller argumentet om samtalsbaserad redigering inte dem alls.

• Gränser som inte förändrades – inga systeminstruktioner, ingen temperatur, inget top_p, inga negativa prompter, ingen tilldelad genomströmning, inga YouTube-källor, inget resonemang över flera videor. Varje utdata bär en SynthID-vattenstämpel.

En "Text"-utdatarad som inte betyder vad den ser ut att betyda

Modellkortet anger 1.2:s utdata som "Video med inbyggt ljud, text" mot 1.1:s enbart "Video", och den skillnaden har tolkats som en ny textkanal. Det är den inte. Omniguiden beskriver inget textutmatningsläge för 1.2; text förekommer renderad inuti bildrutan – etiketter, skyltning, axlar – och förfrågningsformen är fortfarande ett videosvar. REST-svar innehåller en steps-array vars "thought"-post är ett resonemangsspår, inte ett svar. Om en pipeline behöver en caption-sträng tillbaka från API:et returnerar ingen av versionerna en sådan, och skillnaden i den raden är en beskrivning av vad modellen ritar, inte av vad den ger dig.

Ljudraden är en verklig förändring, men en förändring i kvalitet, inte i art. Båda versionerna genererar inbyggt synkroniserat ljud. G​oogles lansering gör gällande mer flytande dialog, tydligare läppsynk och distinkt betingning för flera talare, och säger att referenser kan bära ljudsignaler och röstprover på en sekund – dessa referenssökvägar är allowlistade i G​oogle Cloud, ljudinmatning stöds inte i själva modellen i den här versionen, ljudet i referensvideor ignoreras och röstredigering är inte tillgänglig. Du kan prompta fram en röst; du kan inte redigera den efteråt. Inget av dessa kvalitetspåståenden har ett oberoende test bakom sig, och de tre leaderboarden ovan mäter visuell preferens, inte om orden matchar munnarna.

Migreringen som får nedströms att gå sönder, inte förfrågan

Eftersom payloaden inte ändras utgörs felytan av allt som förfrågan matar in. Fyra ställen att kontrollera före 3 december, i den ordning de tenderar att gå sönder:

Standardvärden för varaktighet. En begäran som utelämnade varaktighet begränsades till tio sekunder och har fortfarande tio som standardvärde, så anrop som inte ändrats beter sig identiskt. Det som går sönder är validering som behandlade tio som maximum.

{{1}}Konditionering av bildrutespar.{{/1}} Alla kodvägar som kombinerar interpolering med en varaktighet över tio ger nu fel i stället för att tyst trunkera – bättre beteende, tydligare fel.

Kostnadsmodeller. Varje per-sekundskonstant som härleds från {{1}}1,1-taxan{{/1}} är 30 % för hög vid 720p. Om du fakturerar internt per rendering är detta raden att ändra medan de gamla priserna fortfarande är korrekta, eftersom siffran efter bytet kommer att vara fel i den riktning som smickrar din marginal.

Filterbeteende. Redigeringspanelens rad för 1.2 har en anteckning om att modellen avböjde en del av testsetet på grund av upphovsrätts- och säkerhetsfilter, och den publicerade poängen återspeglar de promptar som återstod. En produktionspipeline som antog att varje begäran returnerar en fil behöver en avvisningsväg specifikt på den nya versionen. Anteckningen visas endast på 1.2:s rad, inte på 1.1:s.

Två sätt att göra bytet, och vilket som passar

Om ditt innehåll är mätt och du gillar resultatet, migrera tidigt och använd de tre veckorna till att mäta igen på ditt eget material. Prissänkningen och förlängningen av varaktigheten är värda att ha, gapet mellan bild och video är verkligt, och alternativet är att bli flyttad den 3 december utan data åt något håll.

Om ditt innehåll har hög volym och du inte har tittat på det sedan den senaste ändringen är den användbara hållningen att köra båda. Behåll 1.1 på produktionsvägen medan det fortfarande är separat adresserbart, skugga en procentandel av trafiken till 1.2 och jämför på den axel som resultattavlorna inte mäter – hur ofta ett klipp överlever till leverans, inte hur ofta det vinner en parvis omröstning. Det är ett routningsproblem snarare än ett modellproblem, vilket är lagret vi arbetar på. Ingen av Omni-ändpunkterna finns i OrcaRouters katalog idag, så det här är inte en pitch för att vi ska betjäna dem; det är anledningen till att en versionshöjning gör mest ont i de pipelines som har exakt en väg och inget sätt att köra en andra vid sidan av. Där vi däremot förtjänar placeringen är i det omgivande textarbetet: anropen för prompt-expansion och shot-list som matar en rendering kan sammansättas mot flera modeller via en endpunkt till leverantörens listpris, med automatisk failover om en försämras, och en routningsregel kan skicka en andel av förfrågningarna till en annan modell utan en driftsättning.

Det enda du inte ska göra är att låsa 1.1 förbi den 3 december och upptäcka ändringen via en faktura. Endpointen routar oavsett vad din konfiguration säger.

Versionsjämförelsen, angiven som en versionsjämförelse

1.2 är billigare per sekund, längre per klipp, bättre på bild-till-video med en marginal som överlever dess egna felstaplar, och förmodligen bättre på text-till-video och redigering enligt underlag som ännu inte skiljer det från 1.1. Det har ett säkerhetsfilter som tar bort en del av ett redigeringsbenchmark och kommer att ta bort en del av din redigeringsarbetsbelastning, och det ärver 1.1:s trafik på ett datum som G​oogle redan har publicerat.

Jämförelsen som brukar citeras är rankningsrörelsen, för tolv till sex låter som ett hopp och fyrtiotvå Elo låter som en siffra. Jämförelsen som förutspår hur nästa kvartal går är den med intervallen på, och den säger: en tydlig vinst, två sannolika och en billigare mätare under alla tre.