Gemini Omni Flash 1.2 vs Qwen 3.8 Omni Flash: Den ena skapar filmmaterialet, den andra läser det

Frågan "vilken är bättre, G​emini Omni Flash 1.2 eller Qwen3.8-Omni-Flash" har ett kort svar som de flesta jämförelsesidor inte ger dig: de kan inte jämföras, eftersom en av dem aldrig har producerat en enda videobild i hela sitt liv. G​emini Omni Flash 1.2 är en videogenerator med inbyggt ljud som tar in text, bilder och referensvideo och returnerar en MP4-fil. Qwen3.8-Omni-Flash är en multimodal läsare som tar in text, bild, ljud och video och returnerar text — ingen video, ingen bild, ingen ljudgenerering alls. De är två olika maskiner som ett videoteam till slut köper under samma kvartal. Beslutet framför dig är inte A eller B. Det är hur mycket av varje, och aritmetiken som besvarar det är varaktighet, inte kvalitet.

Utdatakolumnen avgör saken innan benchmarkarna gör det.

Varje jämförelse av dessa två modeller börjar med en topplista som inte finns. Artificial Analysis driver tre videotopplistor – redigering, text-till-video och bild-till-video – och G​emini Omni Flash 1.2 är betygsatt på alla tre, för närvarande tvåa, sexa och fjortonde. Qwen3.8-Omni-Flash finns inte på någon av dem. Inte lågt placerad: frånvarande, eftersom det inte finns någon videoutdata att rangordna. Ett head-to-head-Elo mellan dessa två är inte en siffra vi håller inne med. Det är en siffra som ingen kan beräkna.

Det du kan jämföra är gränssnittet. G​emini Omni Flash 1.2 returnerar video. Qwen3.8-Omni-Flash returnerar tokens. Allt som ligger nedströms om den enda skillnaden följer mekaniskt.

• Indata – G​emini Omni Flash 1.2 tar emot text, upp till sex referensbilder och referensvideoklipp; Qwen3.8-Omni-Flash tar emot text, bilder, ljud och video, inklusive filmmaterial som är över en timme långt i ett enda anrop.

• Utdata — G​emini Omni Flash 1.2 returnerar video med inbyggt synkroniserat ljud; Qwen3.8-Omni-Flash returnerar endast text.

• Kontext — {{1}}G​emini Omni Flash 1.2{{/1}} tar emot 131 072 indata-token och returnerar 65 536; {{2}}Qwen3.8-Omni-Flash{{/2}} tar emot strax under en miljon indata-token (991 808) och returnerar upp till 131 072.

• Varaktighetstak — G​emini Omni Flash 1.2 genererar tre till femton sekunder per anrop och kan förlängas tur för tur till 30 sekunder; Qwen3.8-Omni-Flash tittar timme för timme, och dess tak är en tokenbudget snarare än en körtid.

• Pris — G​emini Omni Flash 1.2 debiterar videooutput med 12,00 USD per miljon tokens, med text- och mediaindata till 1,50 USD; Qwen3.8-Omni-Flash debiterar 0,15 USD per miljon indata och 0,47 USD per miljon utdata.

Vad femton sekunder genererad video kostar, jämfört med en timme video som tittas på

Sätt de två prislistorna på samma axel, och asymmetrin upphör att vara abstrakt. Google debiterar genererad video till en fast tokenfrekvens per sekund film: 5 792 tokens per sekund vid 720p, 8 688 vid 1080p med uppskalning. Till 12,00 dollar per miljon kostar ett femton sekunder långt 720p-klipp ungefär 1,05 dollar i utdatatokens, och en hel minut i 1080p kostar 6,26 dollar – siffran som Artificial Analysis skriver i sin kostnadskolumn, vilken stämmer på centen med Googles egen prislista.

Nu den andra sidan. Qwen3.8-Omni-Flash debiterar inte per sekund filmmaterial; det debiterar per token, och videobildrutor tokeniseras i en takt som bestäms av samplingskonfigurationen. En timme filmmaterial vid blygsamma en bildruta per sekund kommer in som tiotusentals visuella tokens, inte hundratusentals, och vid $0,15 per miljon indata hamnar intaget av den timmen på cent snarare än dollar. Den exakta siffran beror på bildfrekvensen och upplösningen du väljer, vilket är poängen: tittandet är billigt nog att du justerar det för noggrannhet, medan genereringen är dyr nog att du justerar den för längd.

Den asymmetrin är hela inköpsbeslutet. Ett team som budgeterar dessa två som substitut – "vi har X dollar för video-AI" – kommer systematiskt att köpa för lite av den billiga sidan och begränsa den dyra för hårt. Ett team som budgeterar dem som en pipeline köper en timme maskinell granskning för mindre än en sekund genererat filmmaterial och lägger sedan genereringsbudgeten endast på de klipp som klarar sig.

Arbetsflödet ingen skriver om: vad som händer före prompten

Här slutar kombinationen att vara teoretisk. Det dyra misslyckandet i en videopipeline är inte en dålig rendering. Det är en bra rendering av fel sak, som upptäcks först efter att fyra förlängningsomgångar och sex referensbilder har fakturerats.

En läsarmodell ändrar den sekvensen. Mata in källmaterialet, kundens befintliga reel, produktgenomgången, den femtio minuter långa intervjun – vad det nya klippet nu måste matcha – i Qwen3.8-Omni-Flash och be om det som en prompt behöver: tagninglistan med tider, dominerande färg och ljus per scen, texten på skärmen, talarna och när var och en talar, klippen som inte får korsas. Den utdatan är text, och text är vad du matar en generator med. G​emini Omni Flash 1.2 accepterar inte en video som instruktionsuppsättning; den accepterar en prompt och upp till sex referensbilder, och den kan inte titta på en timme av vad som helst för att lista ut vad du menade.

Den omvända riktningen är svagare men verklig. När ett klipp väl finns kan samma läsarmodell granska det – håller jackans färg över klippningen, är ljudet i synk vid den fjärde förlängningen, överlever skärmetiketten fram till sista bildrutan. Det är precis de egenskaper som G​oogles ändringslogg från 5 november hävdar för 1.2, och precis de egenskaper som ingen preferensarena mäter, eftersom en parvis röstning om "vilket klipp ser bättre ut" inte kan se ett kontinuitetsfel som bara uppträder vid sekund tolv.

Den ärliga gränsen: inget av detta är ett leverantörsgodkänt arbetsflöde. Alibabas dokumentation beskriver Qwen3.8-Omni-Flash som en allmän multimodell, inte som ett videoproduktionsverktyg, och Googles guide beskriver ingen inmatningsväg för konkurrentens utdata. Mönstret är ett som utövare sätter samman, och det fungerar eftersom båda ändpunkterna talar klartext vid skarven.

Där var och en är fel verktyg

Qwen3.8-Omni-Flash är fel verktyg så snart leveransen är en fil med en bild i. Det finns inget bildläge, inget videoläge och inget ljudläge. Om din brief säger "gör ett femton sekunder långt klipp åt mig" kan modellen berätta vad det borde innehålla, men den kan inte skapa det.

Gemini Omni Flash 1.2 är fel verktyg för allt som är längre än en halv minut, och för en specifik uppsättning marknader. Generering på tre till femton sekunder med förlängning begränsad till 30 sekunder innebär att en två minuter lång förklaringsvideo blir ett arbete med att sy ihop klipp, och varje skarv är en plats där kontinuiteten kan brista – det som en budget på sex referensbilder är tänkt att hålla samman men inte garanterar. Redigering och förlängning av uppladdade videor är inte tillgängliga i EES, Schweiz och Storbritannien, så säljargumentet om konversationsbaserad redigering finns inte för användare där. Det finns ingen gratisnivå för någon av versionerna, och inga systeminstruktioner, temperature, top_p eller negativa prompter – modellen tar en prompt och referensmedia och inget annat. Varje utdata har en SynthID-vattenstämpel.

Och en asymmetri som är kommersiellt viktig: 1.1:s endpoint dirigeras automatiskt till 1.2 den 3 december 2026, så den äldre G​emini-versionen är ingen långsiktig reservlösning. Qwen3.8-Omni-Flash har ingen sådan påtvingad migrering kopplad till sig. Om du bygger en pipeline som behöver en stabil läsare är läsaren den stabila halvan av det här paret.

Var routinglagret faktiskt ligger

Ingen av dessa två slutpunkter finns i OrcaRouters katalog, och vi säger hellre det än att låta en jämförelsesida antyda något annat. G​emini Omni Flash 1.2 går via G​oogles API; Qwen3.8-Omni-Flash går via A​libaba Cloud Model Studio. Det vi faktiskt erbjuder är lagret på båda sidor om dem.

Den hälft av pipeline ovan som gäller intag och granskning är text- och bildarbete, och det är den hälften som körs på modeller vi routar – inklusive Qwen3.8-Flash, den enbart textbaserade systermodellen i samma familj, och Qwen3-VL instruct-modellerna för beskrivning på bildrutenivå, alla åtkomliga med en enda nyckel till leverantörens listpris med 0 % påslag och automatisk failover om en uppströmstjänst försämras. En routningsregel kan skicka en andel av granskningsförfrågningarna till en andra modell utan att något behöver driftsättas, vilket är hur du tar reda på om den billiga läsaren är tillräckligt bra innan du binder en produktionsväg till den. Genereringsanropet stannar där det måste vara: direkt till G​oogle, på G​oogles mätare, med G​oogles prisändring som landar på din faktura enligt G​oogles tidsplan.

Den uppdelningen förtjänar att benämnas rakt ut, för den är den ärliga formen av en videostack för 2026. Ingen enskild leverantör säljer båda halvorna bra, och de team som drabbas är de som försökte låta ett enda avtal omfatta både en läsare och en renderare.

Hur man avgör, i den ordning kostnaderna uppstår

Börja med läsaren, för den är billig och producerar den artefakt som allt annat förbrukar. Om du inte kan få ut en användbar tagninglista, färgrapport och transkription från ditt källmaterial räddar ingen mängd genereringskvalitet projektet — du kommer att prompta i blindo. Qwen3.8-Omni-Flash är en rimlig första läsare på 0,15 USD per miljon indatatokens, och dess kontext på nära en miljon tokens gör att en timmes material får plats utan någon chunkningsstrategi.

Mät sedan dina faktiska klipplängder. Om din medianleverans är under femton sekunder – sociala klipp, produktinslag, B-roll-takter – täcker G​emini Omni Flash 1.2 det i ett enda anrop till cirka $0,07 per sekund vid 720p, och budgeten för sex referensbilder räcker för att hålla ett motiv över det spannet. Om din median är över trettio sekunder köper du en sammanfogningspipeline oavsett vad priset per token säger, och taket på 30 sekunders förlängning är den begränsning som styr ditt schema snarare än din faktura.

Beräkna då kostnaden för misslyckandet, inte för framgången. En avvisad redigeringsbegäran på 1.2 kostar ingenting och returnerar ingen fil; ett klipp som driver vid sekund tolv kostar hela renderingen plus granskarens tid. Det andra misslyckandet är det som en läsarmodell fångar, vilket är anledningen till att den billiga halvan av det här paret tenderar att betala sig först.

Det du inte bör göra är att behandla de två som en utslagstävling. Det finns ingen gemensam resultattavla, inga gemensamma utdata och inget scenario där den ena ersätter den andra. Den användbara jämförelsen är ett förhållande – hur många minuter filmmaterial du har råd att få genomtittat för varje sekund du har råd att generera – och för de flesta team i slutet av 2026 mäts det förhållandet i hundratal.