Ming-Image-0.1-Design กับ Gemini Omni 1.1 Flash: งานส่งมอบด้านการออกแบบจำเป็นต้องมีทั้งสองส่วน

ลองขอให้ Ming-Image-0.1-Design สร้างวิดีโอ แล้วคุณจะได้ภาพนิ่ง ลองขอให้ Gemini Omni 1.1 Flash สร้างภาพนิ่ง แล้วคุณจะได้ข้อผิดพลาด — เอกสารของโมเดลเองระบุว่าการสร้างภาพ การแก้ไขภาพ และเอาต์พุตภาพและข้อความแบบสลับกันเป็นความสามารถที่ไม่รองรับสำหรับโมเดลนี้ ดังนั้นหน้าเว็บที่วางสองโมเดลนี้ไว้ในสองคอลัมน์จึงเป็นการเปรียบเทียบตัวเรนเดอร์กับโปรเจกเตอร์ สิ่งที่คุ้มค่าแก่การเปรียบเทียบจริง ๆ คือสิ่งที่ทีมออกแบบมักทำพลาดอยู่เสมอ: เดลิเวอเรเบิลที่ส่งมอบแล้วมักต้องมีหน้าจอและแอสเซตที่เคลื่อนไหว และสองโมเดลนี้ครอบครองคนละครึ่งของสิ่งนั้น โดยมีการส่งต่อในขั้นกลางที่ค่อย ๆ ทำลายงานอย่างเงียบ ๆ

Ming-Image-0.1-Design เป็นโมเดลแปลงข้อความเป็นภาพขนาด 6B ของ inclusionAI เปิดตัวภายใต้สัญญาอนุญาต MIT พร้อมเผยแพร่น้ำหนักในวันที่ 17 กันยายน 2026 สร้างขึ้นสำหรับงานออกแบบกราฟิกที่มีข้อความหนาแน่น Gemini Omni 1.1 Flash เป็นโมเดลวิดีโอระดับโปรดักชันของ Google เปิดให้ใช้งานทั่วไปตั้งแต่ 27 สิงหาคม 2026 สร้างขึ้นสำหรับภาพเคลื่อนไหวสั้นพร้อมเสียงที่ซิงโครไนซ์ ทั้งสองไม่ได้ใช้แทนกันได้ และคำถามที่น่าสนใจคือสิ่งที่เกิดขึ้นระหว่างทั้งสอง

สองครึ่งนั้น พูดอย่างตรงไปตรงมา

เริ่มจากสิ่งที่แต่ละอย่างให้กลับมาในทางกายภาพ เพราะทุกอย่างอื่นจะตามมาเอง

• เอาต์พุต — Ming-Image-0.1-Design ส่งคืนภาพนิ่ง ขนาดสูงสุด 2048 x 2048 ที่ 12 ขั้นตอนการสุ่ม และ CFG 1.0 หรือ 1024 x 1024 เพื่อความเร็ว; Gemini Omni 1.1 Flash ส่งคืนวิดีโอ ความยาวสูงสุด 40 วินาที ประกอบขึ้นจากการสร้างครั้งละ 10 วินาทีและการเรียกขยายต่อเนื่อง

• ความโปร่งใส — Ming-Image-0.1-Design สร้างเอาต์พุต RGBA แบบเนทีฟเมื่อพรอมป์ขึ้นต้นด้วยวลีความโปร่งใสที่ระบุไว้ในเอกสาร ดังนั้นค่าอัลฟาจึงออกมาจากแซมเพลอร์; Gemini Omni 1.1 Flash ไม่มีเอาต์พุตแบบโปร่งใส และในไปป์ไลน์ก็ไม่มีรูปแบบวิดีโอแบบโปร่งใสเช่นกัน

• โครงสร้าง — โมเดล Layer คู่หูของ Ming-Image-0.1-Design จะแยกดีไซน์ที่แบนราบออกเป็นไฟล์ RGBA PNG แยกกัน 2–9 ไฟล์ ซึ่งประกอบกลับเป็นต้นฉบับได้; Gemini Omni 1.1 Flash ส่งคืนคลิปแบนราบเพียงคลิปเดียว

• อินพุตอ้างอิง — Ming-Image-0.1-Design สร้างจากพรอมต์เพียงอย่างเดียว โดยไม่ต้องมีภาพอ้างอิง; Gemini Omni 1.1 Flash รับได้สูงสุด 10 ภาพต่อพรอมต์ และคลิปวิดีโออ้างอิงความยาว 3 วินาทีได้สูงสุด 3 คลิป และอ่านฟุตเทจก่อนหน้าได้สูงสุด 10 วินาทีเมื่อต่อขยายฉาก

• เพดานความละเอียด — Ming-Image-0.1-Design มีความละเอียดเนทีฟ 2048; Gemini Omni 1.1 Flash เรนเดอร์แบบเนทีฟที่ 720p และอัปสเกลเป็น 1080p และ 4K โดยมีระดับการร่าง 360p

• ค่าใช้จ่าย — Ming-Image-0.1-Design ไม่มีราคาแบบโฮสต์เนื่องจากไม่มีเอนด์พอยต์แบบโฮสต์ ดังนั้นค่าใช้จ่ายจึงเป็นเวลา GPU ของคุณเองบนการ์ด 80 GiB หนึ่งใบ; Gemini Omni 1.1 Flash คิดค่าบริการ $0.10 ต่อวินาทีที่ 720p โดยระดับฉบับร่าง 360p อยู่ที่ประมาณ $0.03 ต่อวินาที

• สัญญาอนุญาต — MIT สำหรับ Ming-Image-0.1-Design อนุญาตให้ใช้เชิงพาณิชย์ได้; เป็น API เชิงพาณิชย์สำหรับ Gemini Omni 1.1 Flash ซึ่งผลลัพธ์ที่ได้จะมีลายน้ำ SynthID

จุดที่การส่งต่อล้มเหลว

หากคุณกำลังสร้างไปป์ไลน์การออกแบบที่ผลิตผลลัพธ์ทั้งสองอย่าง ทิศทางมีเพียงทางเดียวเท่านั้น: Ming-Image-0.1-Design สร้างเฟรมขึ้นมา และ Gemini Omni 1.1 Flash ทำให้มันเคลื่อนไหว ทิศทางย้อนกลับไม่มีอยู่จริง และรอยต่อระหว่างทั้งสองคือจุดที่งานออกแบบสูญหายไป

เหยื่อรายแรกคือช่องอัลฟา แอสเซต UI ที่สร้างขึ้นโดยมีพื้นหลังโปร่งใสคือเหตุผลที่ต้องใช้แซมเพลอร์ที่ส่งออก RGBA ตั้งแต่แรก — มันวางลงบนเลย์เอาต์ที่มีอยู่ได้โดยไม่ต้องมีพาสตัดพื้นหลัง เมื่อป้อนเฟรมนั้นเข้าสู่เส้นทางวิดีโอ ความโปร่งใสก็หายไป เพราะไม่มีเอาต์พุตวิดีโอแบบโปร่งใสที่จะรักษามันไว้ได้ ความโปร่งใสจะคงอยู่ในคอมโพสิเตอร์ของคุณ ซึ่งนำไปใช้หลังจากคลิปกลับมา ไม่ใช่ในเชนโมเดล ทีมที่วางแผนการคอมโพสิตไว้ก่อนที่คลิปจะถูกสร้างขึ้นมาจึงต้องกลับมาทำใหม่

สิ่งที่เสียไปเป็นลำดับที่สองคือความละเอียด Ming-Image-0.1-Design เรนเดอร์โดยกำเนิดที่ 2048 ส่วน Gemini Omni 1.1 Flash เรนเดอร์โดยกำเนิดที่ 720p และอัปสเกลเพิ่มขึ้นไป เฟรมดีไซน์ขนาด 2048 พิกเซลที่ป้อนเข้าสู่เส้นทางการเรนเดอร์ 720p ส่วนใหญ่คือรายละเอียดที่ถูกทิ้งไป และการอัปสเกลที่ตามมาเป็นขั้นตอนฝั่งผู้ขายที่คุณไม่ได้ควบคุม

ประการที่สามคือข้อความ หลักการทั้งหมดของ Ming-Image-0.1-Design คือข้อความที่เรนเดอร์ออกมาต้องอ่านออกในขนาดที่จะถูกอ่านจริง นั่นคือแกนที่คะแนน Elo 1,084 ของมันในหมวด UI/UX Design ของ Artificial Analysis วัดอยู่ โมเดลวิดีโอที่ทำให้เฟรมนั้นเคลื่อนไหวไม่ได้เรนเดอร์ข้อความใหม่ แต่เพียงเลื่อนพิกเซลที่มีอยู่ การเคลื่อนไหวใด ๆ ที่เปลี่ยนมุมมอง ขนาด หรือแสงของเฟรม จะพาให้ตัวอักษรเคลื่อนตามไปด้วย และตัวอักษรขนาดเล็กที่อ่านออกในภาพนิ่งจะไม่รอดจากการแปลงนั้น

ไม่มีสิ่งใดในนั้นเป็นข้อบกพร่องของโมเดลใดโมเดลหนึ่ง มันคือสิ่งที่เกิดขึ้นเมื่อผลงานที่ต้องส่งมอบถูกแยกออกเป็นสองระบบซึ่งไม่ได้ถูกออกแบบมาให้ส่งต่อถึงกันตั้งแต่แรก และการแก้ไขเป็นเรื่องของการตัดสินใจในระดับการผลิต ไม่ใช่การเลือกโมเดล: จงตัดสินใจว่าชั้นใดของผลงานที่ต้องส่งมอบนั้นอนุญาตให้ถูกทำให้แบนราบได้ แล้วทำให้มันแบนราบอย่างตั้งใจ

แต่ละครึ่งเก่งอะไรจริงๆ

หลักฐานของ Ming-Image-0.1-Design มาจากอารีนาของบุคคลที่สาม โดยอยู่ในอันดับที่ 45 จาก 104 บนกระดานผู้นำ Text to Image ของ Artificial Analysis ด้วย Elo 995 จาก 21,342 โหวต และเป็นอันดับหนึ่งในบรรดาโมเดล open-weights ในสไลซ์ UI/UX Design ของบอร์ดนั้น ด้วย Elo 1,084 จาก 2,100 โหวตในสไลซ์นี้ ช่องว่างระหว่างตัวเลขสองตัวนั้นคือคำอธิบายที่ตรงไปตรงมาของโมเดลนี้: ผู้เชี่ยวชาญเฉพาะทางที่ผ่านการวัดผล ไม่ใช่โมเดลอเนกประสงค์ ตัวเลขของคู่หู Layer ของมัน — RGB L1 error เท่ากับ 0.0574 และ alpha soft IoU เท่ากับ 0.8923 ที่ 1024 บนชุดทดสอบ Crello — เป็นค่าที่ผู้ขายรายงานและยังไม่ได้ทำซ้ำ และควรติดป้ายกำกับตามนั้น

หลักฐานของ Gemini Omni 1.1 Flash ก็เป็นอิสระเช่นกัน แต่อยู่บนบอร์ดที่แตกต่างออกไป บน Artificial Analysis มันครองอันดับสูงสุดในทั้งอารีนา text-to-video และ image-to-video ในหมวดไม่มีเสียง ณ วันที่ 2 กันยายน 2026 ที่ Elo 1,324 และ 1,364 เมื่อเปิดใช้งานเสียง มันลดลงเหลือ 1,237 และ 1,180 — เป็นอันดับสองและสี่ ช่องว่างด้านเสียงนั้นเป็นรายละเอียดที่สเปกชีตซ่อนไว้ แต่ลีดเดอร์บอร์ดเปิดเผยออกมา และมันคุ้มค่าที่จะรู้ก่อนที่คุณจะจัดงบแคมเปญโดยอิงกับคำกล่าวอ้างว่าอยู่อันดับต้นของบอร์ด

บอร์ดทั้งสองไม่ได้ทับซ้อนกัน ซึ่งนั่นแหละคือประเด็น ไม่มีเวทีใดที่ภาพนิ่งงานออกแบบกับคลิปสิบวินาทีจะถูกนำมาตัดสินเทียบกัน และบทความใดก็ตามที่สื่อเป็นนัยเป็นอย่างอื่นก็กำลังกุสกอร์บอร์ดขึ้นมาเอง

ค่าใช้จ่ายของการแยก ต่อความพยายามหนึ่งครั้ง

ลักษณะทางเศรษฐศาสตร์ของสองส่วนนี้ไม่สามารถเปรียบเทียบกันได้ และไม่ควรนำมาเฉลี่ยรวมเป็นรายการงบประมาณเดียวกัน

ในฝั่งภาพนิ่ง Ming-Image-0.1-Design ไม่มีค่าใช้จ่ายต่อภาพเมื่อมีฮาร์ดแวร์อยู่แล้ว ซึ่งทำให้การวนซ้ำฟรีในแบบที่สำคัญจริง ๆ คุณสามารถสร้างแดชบอร์ดได้ยี่สิบแบบในบ่ายเดียวแล้วทิ้งไปสิบเก้าแบบ ในฝั่งโมชัน คลิป 720p ความยาว 10 วินาทีบน Gemini Omni 1.1 Flash มีค่าใช้จ่ายประมาณ $1.00; 10 วินาทีเดียวกันในระดับ draft 360p อยู่ที่ราว $0.30; ฉากเต็มความยาว 40 วินาทีที่ 720p — หนึ่งครั้งในการสร้างบวกอีกสามครั้งในการต่อขยาย — อยู่ที่ประมาณ $4.00 Google ยังไม่ได้เผยแพร่อัตราต่อวินาทีสำหรับระดับ 1080p และ 4K และรายการจากผู้ขายต่อที่อ้างราคา $0.15 และ $0.30 ต่อวินาทีนั้นเป็นราคาประเมินจากตลาดมากกว่าตัวเลขจากผู้จำหน่าย ดังนั้นงบประมาณการผลิตความละเอียดสูงใด ๆ จึงยังเป็นเพียงการประมาณการชั่วคราว

ผลในทางปฏิบัติก็คือ สองครึ่งนี้ต้องการสไตล์การทำงานที่ตรงกันข้ามกัน จงวนซ้ำกับภาพนิ่ง ที่ซึ่งการลองใหม่ไม่มีค่าใช้จ่าย จงตัดสินใจให้เด็ดขาดกับวิดีโอ ที่ซึ่งการลองใหม่ทุกครั้งถูกคิดค่าตามปริมาณ ทีมที่วนซ้ำกับครึ่งที่เป็นวิดีโอคือทีมที่จะเจอใบแจ้งหนี้แบบไม่ทันตั้งตัว เพราะเฟรมแรกไม่มีค่าใช้จ่ายใด ๆ แต่การถ่ายซ้ำกินค่าใช้จ่ายไปหมดทุกอย่าง

จุดที่เลเยอร์การจัดเส้นทางเข้ามาเกี่ยวข้องตรงนี้แคบกว่าที่คำโปรยจะชวนให้คิด และควรพูดให้ชัดเจน Ming-Image-0.1-Design เป็นดาวน์โหลดแบบ MIT — OrcaRouter ไม่ได้จัดเส้นทางให้โมเดลใดของ inclusionAI เลย ดังนั้นมันจึงรันบนฮาร์ดแวร์ของคุณเท่านั้น หรือไม่ก็ไม่ได้รันเลย Gemini Omni 1.1 Flash เป็น API ของผู้จำหน่ายที่มีคีย์ของตัวเองและมิเตอร์คิดเงินรายวินาทีของตัวเอง และเราเองก็ไม่ได้จัดเส้นทางให้มันเช่นกัน Google ยังไม่เปิด Omni video API ให้กับการจัดเส้นทางโดยบุคคลที่สาม สิ่งที่เรามีให้จริงในฝั่งวิดีโอเคลื่อนไหวคือสายผลิตภัณฑ์วิดีโอของ Kling ซึ่งรวมถึง kling-v3, kling-v3-omni และ kling-video-o1 บวกกับ MiniMax H3 — ดังนั้นหากครึ่งที่เป็นแอนิเมชันของงานส่งมอบต้องใช้เส้นทางแบบโฮสต์แทนสัญญากับผู้จำหน่ายรายที่สอง เรื่องนั้นฝั่งเรามีให้ ในฝั่งภาพ เรามีตระกูล GPT-Image ของ OpenAI, Imagen 4 หลายระดับของ Google และภาพตัวอย่าง Gemini รวมถึงปลายทางภาพ Grok Imagine ของ xAI เพราะ ราคาตั้งของผู้ให้บริการถูกส่งผ่านโดยบวกมาร์กอัป 0% แทนที่จะบวกเพิ่ม การลดราคาของผู้จำหน่ายรายใดในกลุ่มนี้จึงมีผลทางฝั่งเราในวันเดียวกัน

การตัดสินใจในครั้งเดียว

• คุณต้องการแอสเซตการออกแบบที่แก้ไขได้ — Ming-Image-0.1-Design และการแยกส่วนเลเยอร์คือเหตุผล ภาพตัดพื้นหลังโปร่งใส ไอคอน สไปรต์ และคอมโพสิตแบบมีเลเยอร์ คือจุดที่ตัวสุ่มตัวอย่างที่ส่งออก RGBA ตัดขั้นตอนทั้งหมดออกจากไปป์ไลน์

• คุณต้องการการเคลื่อนไหวที่วัดผลได้ — Gemini Omni 1.1 Flash เป็นเพียงหนึ่งเดียวในสองตัวที่มีผลลัพธ์จากอารีนาแบบอิสระอยู่บนสุดของตาราง และเป็นเพียงหนึ่งเดียวที่มีราคาต่อวินาทีที่เผยแพร่ไว้ซึ่งคุณนำไปใส่ในการคาดการณ์ได้

• คุณต้องมีทั้งสองอย่าง — จัดสรรงบประมาณส่วนวิดีโอครึ่งหนึ่งต่อการลองหนึ่งครั้ง ไม่ใช่ต่อแอสเซ็ต อย่าสมมติว่าช่องอัลฟาจะยังคงอยู่รอด และควรวางแผนการคอมโพสิตไว้หลังจากได้คลิปกลับมา

• คุณต้องขายผลลัพธ์ที่ได้ — Gemini Omni 1.1 Flash เป็นฝั่งที่ปลอดภัยกว่าอย่างชัดเจน เนื่องจาก MIT ครอบคลุมเวทของ Ming-Image-0.1-Design และข้อกำหนด API ของ Google ครอบคลุมวิดีโอ สิ่งที่ต้องแลกมาคือลายน้ำ: คลิป Omni ทุกคลิปมี SynthID ส่วนผลลัพธ์ของ Ming-Image-0.1-Design ไม่มีเลย

สิ่งที่น่าจับตาต่อไปไม่ใช่การเผชิญหน้าตัวต่อตัวอีกครั้ง แต่คือว่า inclusionAI จะผูกเอนด์พอยต์แบบโฮสต์ไว้กับ Ming-Image-0.1-Design หรือไม่ ซึ่งจะขจัดต้นทุนเริ่มต้นที่ 80 GiB และเปลี่ยนการเปรียบเทียบนี้ไปโดยสิ้นเชิง และว่า Google จะปิดช่องว่างด้านเสียงบนบอร์ดวิดีโอ Omni ได้หรือไม่ สองข้อเท็จจริงนี้ ไม่ใช่ตารางคะแนนอีกอันหนึ่ง ที่จะเป็นตัวตัดสินว่าครึ่งใดของสิ่งส่งมอบงานออกแบบจะได้งบประมาณ