Gemini Omni Flash 1.2 vs Qwen 3.8 Omni Flash: Một bên tạo ra cảnh quay, bên kia đọc cảnh quay đó

Câu hỏi “cái nào tốt hơn, G​emini Omni Flash 1.2 hay Qwen3.8-Omni-Flash” có một câu trả lời ngắn mà hầu hết các trang so sánh sẽ không đưa cho bạn: chúng không thể so sánh được, bởi vì một trong hai chưa từng tạo ra một khung hình video nào trong đời. G​emini Omni Flash 1.2 là một trình tạo video có âm thanh gốc, nhận văn bản, hình ảnh và video tham chiếu vào và trả ra MP4. Qwen3.8-Omni-Flash là một trình đọc đa phương thức, nhận văn bản, hình ảnh, âm thanh và video vào và trả ra văn bản — không tạo video, không tạo hình ảnh, không tạo âm thanh gì cả. Chúng là hai cỗ máy khác nhau mà một nhóm làm video cuối cùng sẽ mua trong cùng một quý. Quyết định trước mắt bạn không phải là A hay B. Mà là bao nhiêu mỗi loại, và phép tính trả lời điều đó là thời lượng, không phải chất lượng.

Cột đầu ra quyết định điều đó trước cả các bài đo hiệu năng.

Mọi so sánh giữa hai mô hình này đều bắt đầu bằng một bảng xếp hạng không tồn tại. Artificial Analysis vận hành ba bảng video — chỉnh sửa, văn bản thành video và hình ảnh thành video — và G​emini Omni Flash 1.2 được chấm điểm trên cả ba, hiện đang đứng thứ hai, thứ sáu và thứ mười bốn. Qwen3.8-Omni-Flash không có mặt trên bảng nào. Không phải xếp hạng thấp: mà là vắng mặt, vì không có đầu ra video để xếp hạng. Elo đối đầu giữa hai mô hình này không phải là con số chúng tôi đang giữ lại. Đó là con số không ai có thể tính được.

Thứ bạn có thể so sánh là giao diện. G​emini Omni Flash 1.2 trả về video. Qwen3.8-Omni-Flash trả về token. Mọi thứ phía sau khác biệt duy nhất đó đều diễn ra một cách máy móc.

• Đầu vào — Gemini Omni Flash 1.2 nhận văn bản, tối đa sáu hình ảnh tham chiếu và các đoạn video tham chiếu; Qwen3.8-Omni-Flash nhận văn bản, hình ảnh, âm thanh và video, bao gồm cả tư liệu video dài hơn một giờ trong một lần gọi.

• Đầu ra — G​emini Omni Flash 1.2 trả về video với âm thanh đồng bộ gốc; Qwen3.8-Omni-Flash chỉ trả về văn bản.

• Ngữ cảnh — G​emini Omni Flash 1.2 chấp nhận 131.072 token đầu vào và trả về 65.536; Qwen3.8-Omni-Flash chấp nhận chỉ dưới một triệu token đầu vào (991.808) và trả về tối đa 131.072.

• Giới hạn thời lượng — G​emini Omni Flash 1.2 tạo ra từ ba đến mười lăm giây mỗi lần gọi, có thể kéo dài theo từng lượt đến 30 giây; Qwen3.8-Omni-Flash xem theo giờ, và giới hạn của nó là ngân sách token chứ không phải thời gian chạy.

• Giá — Gemini Omni Flash 1.2 tính phí đầu ra video ở mức 12,00 đô la Mỹ cho mỗi triệu token, với đầu vào văn bản và đa phương tiện ở mức 1,50 đô la Mỹ; Qwen3.8-Omni-Flash tính phí 0,15 đô la Mỹ cho mỗi triệu token đầu vào và 0,47 đô la Mỹ cho mỗi triệu token đầu ra.

Chi phí cho mười lăm giây video được tạo, so với một giờ video được xem

Đặt hai bảng giá trên cùng một trục và sự bất đối xứng không còn trừu tượng nữa. G​oogle tính phí video được tạo theo mức token cố định trên mỗi giây cảnh quay: 5,792 token mỗi giây ở 720p, 8,688 ở 1080p khi có upsampling. Với $12.00 mỗi triệu token, một clip 720p dài mười lăm giây tốn khoảng $1.05 token đầu ra, và trọn một phút 1080p là $6.26 — con số mà Artificial Analysis in trong cột chi phí của mình, khớp đến từng xu với bảng giá của chính G​oogle.

Giờ đến mặt còn lại. Qwen3.8-Omni-Flash không tính phí theo từng giây cảnh quay; nó tính theo token, và các khung hình video được token hóa theo tốc độ do cấu hình lấy mẫu quy định. Một giờ cảnh quay ở mức khiêm tốn một khung hình mỗi giây sẽ đến dưới dạng hàng chục nghìn token hình ảnh, chứ không phải hàng trăm nghìn, và với mức $0.15 trên mỗi triệu đầu vào, việc nạp một giờ đó chỉ tốn hàng xu thay vì hàng đô la. Con số chính xác phụ thuộc vào tốc độ khung hình và độ phân giải bạn chọn, và đó chính là điểm mấu chốt: việc xem đủ rẻ để bạn tinh chỉnh vì độ chính xác, trong khi việc tạo đủ đắt để bạn tinh chỉnh vì độ dài.

Sự bất đối xứng đó chính là toàn bộ quyết định mua hàng. Một nhóm lập ngân sách cho {{1}}hai thứ này như những thứ thay thế cho nhau{{/1}} — “chúng tôi có X đô la cho video AI” — sẽ có hệ thống mua thiếu ở phía rẻ và gò bó quá mức ở phía đắt. Một nhóm lập ngân sách cho {{2}}chúng như một quy trình{{/2}} sẽ mua một giờ rà soát bằng máy với chi phí thấp hơn một giây cảnh quay được tạo ra, rồi chỉ chi ngân sách tạo sinh cho những clip còn trụ lại.

Quy trình mà chẳng ai viết về: điều gì diễn ra trước prompt

Đây là lúc việc ghép cặp không còn mang tính lý thuyết nữa. Thất bại tốn kém trong một pipeline video không phải là một lần render tệ. Mà là một lần render tốt cho sai thứ, chỉ được phát hiện sau khi bốn lượt gia hạn và sáu ảnh tham chiếu đã bị tính phí.

Một mô hình đọc sẽ thay đổi trình tự đó. Hãy đưa đoạn phim nguồn, reel hiện có của khách hàng, phần hướng dẫn sản phẩm, cuộc phỏng vấn dài năm mươi phút — bất cứ thứ gì mà clip mới phải khớp với — vào Qwen3.8-Omni-Flash và yêu cầu những thứ mà một prompt cần: danh sách cảnh quay kèm mốc thời gian, màu sắc chủ đạo và ánh sáng của từng cảnh, chữ trên màn hình, những người nói và thời điểm từng người nói, những điểm cắt không được phép vượt qua. Đầu ra đó là văn bản, và văn bản chính là thứ bạn đưa vào một trình tạo sinh. G​emini Omni Flash 1.2 không nhận video làm bộ chỉ dẫn; nó nhận một prompt và tối đa sáu ảnh tham chiếu, và nó không thể xem một giờ nội dung nào đó để hiểu ý bạn.

Chiều ngược lại yếu hơn nhưng vẫn có thật. Khi một clip đã tồn tại, cùng mô hình đọc đó có thể kiểm tra nó — liệu màu áo khoác có giữ nguyên qua chỗ cắt không, âm thanh có đồng bộ ở phần mở rộng thứ tư không, nhãn trên màn hình có tồn tại đến khung hình cuối cùng không. Đó chính xác là những thuộc tính mà changelog ngày 5 tháng 11 của Google tuyên bố cho 1.2 và cũng chính là những thuộc tính mà không preference arena nào đo lường, bởi vì một cuộc bỏ phiếu theo cặp kiểu "clip nào trông đẹp hơn" không thể thấy được lỗi liên tục chỉ xuất hiện ở giây thứ mười hai.

Giới hạn thành thật: không phần nào trong số này là quy trình được nhà cung cấp chính thức hỗ trợ. Tài liệu của A​libaba mô tả Qwen3.8-Omni-Flash là một mô hình đa phương thức tổng quát, không phải công cụ sản xuất video, và hướng dẫn của G​oogle không mô tả đường nạp nào cho đầu ra của đối thủ cạnh tranh. Mẫu này là thứ do những người thực hành tự lắp ghép, và nó hoạt động vì cả hai điểm cuối đều nói văn bản thuần túy tại mối nối.

Khi mỗi thứ đều là công cụ sai

Qwen3.8-Omni-Flash là công cụ sai ngay khi sản phẩm bàn giao là một tệp có hình ảnh bên trong. Không có chế độ hình ảnh, không có chế độ video, không có chế độ âm thanh. Nếu bản tóm tắt nhiệm vụ của bạn ghi "hãy làm cho tôi một bản dựng dài mười lăm giây", mô hình có thể nói cho bạn biết nên có gì trong đó nhưng không thể tạo ra nó.

Gemini Omni Flash 1.2 là công cụ sai cho bất kỳ nội dung nào dài hơn nửa phút và cho một tập hợp thị trường cụ thể. Việc tạo từ 3 đến 15 giây với phần gia hạn bị giới hạn ở 30 giây đồng nghĩa một video giải thích dài hai phút là một công việc ghép nối, và mỗi mối ghép là một chỗ mà tính liên tục có thể bị phá vỡ — điều mà ngân sách sáu ảnh tham chiếu nhằm giữ cho liền mạch nhưng không bảo đảm được. Không thể chỉnh sửa và gia hạn video đã tải lên ở EEA, Thụy Sĩ và Vương quốc Anh, nên lời quảng bá tính năng chỉnh sửa hội thoại không tồn tại với người dùng ở đó. Không có gói miễn phí trên cả hai phiên bản, và không có chỉ dẫn hệ thống, temperature, top_p hay prompt phủ định — mô hình chỉ nhận prompt và phương tiện tham chiếu, không gì khác. Mọi đầu ra đều mang watermark SynthID.

Và một điểm bất đối xứng có ý nghĩa về mặt thương mại: {{1}}endpoint của 1.1 được tự động định tuyến sang 1.2 vào ngày 3 tháng 12 năm 2026{{/1}}, vì vậy phiên bản G​emini cũ hơn không phải là phương án dự phòng dài hạn. {{2}}Qwen3.8-Omni-Flash không có kiểu di chuyển bắt buộc nào như vậy gắn với nó{{/2}}. {{3}}Nếu bạn đang xây dựng một pipeline cần một trình đọc ổn định, thì trình đọc chính là nửa ổn định của cặp này.{{/3}}

Lớp định tuyến thực sự nằm ở đâu

Không endpoint nào trong hai endpoint này nằm trong danh mục của OrcaRouter, và chúng tôi thà nói rõ điều đó còn hơn để một trang so sánh ngụ ý điều ngược lại. G​emini Omni Flash 1.2 hoạt động thông qua API của G​oogle; Qwen3.8-Omni-Flash hoạt động thông qua A​libaba Cloud Model Studio. Điều chúng tôi thực sự cung cấp là lớp ở hai phía của chúng.

Phần ingest và audit của pipeline ở trên là công việc văn bản và thị giác, và đó là phần chạy trên các mô hình do chúng tôi định tuyến — bao gồm Qwen3.8-Flash, mô hình anh em chỉ văn bản trong cùng dòng họ, và các mô hình instruct Qwen3-VL để mô tả ở cấp khung hình, tất cả đều truy cập được trên một khóa duy nhất theo giá niêm yết của nhà cung cấp với mức markup 0% và tự động chuyển đổi dự phòng nếu một upstream bị suy giảm. Một quy tắc định tuyến có thể gửi một phần yêu cầu audit sang mô hình thứ hai mà không cần triển khai, đó là cách bạn phát hiện liệu bộ đọc giá rẻ có đủ tốt trước khi cam kết đưa nó vào đường dẫn sản xuất hay không. Lệnh gọi sinh tạo vẫn ở nơi nó bắt buộc phải ở: trực tiếp đến G​oogle, trên đồng hồ tính phí của G​oogle, với thay đổi giá của G​oogle được tính vào hóa đơn của bạn theo lịch của G​oogle.

Sự tách biệt đó đáng được gọi tên một cách thẳng thắn vì đó chính là hình hài trung thực của một ngăn xếp video năm 2026. Không một nhà cung cấp nào bán tốt cả hai nửa, và những đội ngũ phải chịu thiệt chính là những đội đã cố làm cho một hợp đồng bao trùm cả một trình đọc lẫn một trình kết xuất.

Cách quyết định, theo thứ tự các chi phí phát sinh

Hãy bắt đầu với trình đọc, vì nó rẻ và tạo ra sản phẩm đầu ra mà mọi thứ khác tiêu thụ. Nếu bạn không thể lấy được từ tư liệu quay gốc một danh sách cảnh quay, báo cáo màu và bản ghi lời thoại khả dụng, thì chất lượng tạo sinh có cao đến đâu cũng không cứu được dự án — bạn sẽ nhắc lệnh mà không có thông tin. Qwen3.8-Omni-Flash là trình đọc đầu tiên hợp lý với mức $0.15 mỗi triệu token đầu vào, và ngữ cảnh gần một triệu token của nó nghĩa là một giờ tư liệu quay vừa khít mà không cần chiến lược chia nhỏ.

Sau đó, hãy đo độ dài clip thực tế của bạn. Nếu sản phẩm bàn giao trung vị của bạn dưới mười lăm giây — clip cắt cho mạng xã hội, cảnh chèn sản phẩm, nhịp B-roll — thì G​emini Omni Flash 1.2 xử lý được trong một lần gọi với giá khoảng 0,07 USD mỗi giây ở 720p, và ngân sách sáu ảnh tham chiếu đủ để giữ nhất quán chủ thể trong suốt khoảng thời gian đó. Nếu mức trung vị của bạn trên ba mươi giây, thì dù giá mỗi token có nói gì đi nữa, bạn vẫn đang phải mua một pipeline ghép nối, và giới hạn gia hạn 30 giây mới là ràng buộc chi phối lịch trình của bạn chứ không phải hóa đơn.

Vậy thì hãy tính chi phí cho thất bại, chứ không phải cho thành công. Một yêu cầu chỉnh sửa bị từ chối trên 1.2 không tốn gì và không trả về tệp nào; một clip bị lệch ở giây thứ mười hai tốn toàn bộ lần render cộng với thời gian của người đánh giá. Thất bại thứ hai là loại mà một mô hình đọc bắt được, đó là lý do nửa rẻ hơn của cặp này có xu hướng tự hoàn vốn trước.

Điều bạn không nên làm là coi hai thứ này như một cuộc so tài. Không có bảng xếp hạng chung, không có đầu ra chung và không có tình huống nào mà cái này thay thế cái kia. Phép so sánh hữu ích là một tỷ lệ — bạn có thể chi trả để xem bao nhiêu phút cảnh quay cho mỗi giây bạn có thể chi trả để tạo ra — và với hầu hết các nhóm vào cuối năm 2026, tỷ lệ đó được tính bằng hàng trăm.