Ming-Image-0.1-Design vs Gemini Omni 1.1 Flash: Một bản bàn giao thiết kế cần cả hai nửa

Yêu cầu Ming-Image-0.1-Design tạo một video thì bạn nhận được một ảnh tĩnh. Yêu cầu Gemini Omni 1.1 Flash tạo một ảnh tĩnh thì bạn nhận được lỗi — tài liệu của chính mô hình này liệt kê tạo hình ảnh, chỉnh sửa hình ảnh và đầu ra xen kẽ hình ảnh và văn bản là những khả năng mà mô hình không hỗ trợ. Vậy một trang đặt hai mô hình này vào hai cột là đang so sánh một trình kết xuất với một máy chiếu. Điều thực sự đáng so sánh là thứ mà các nhóm thiết kế cứ làm sai: một sản phẩm bàn giao thường cần một màn hình và một tài nguyên chuyển động, và hai mô hình này mỗi cái sở hữu một nửa của điều đó, với một bước bàn giao ở giữa âm thầm phá hủy công việc.

Ming-Image-0.1-Design là mô hình chuyển văn bản thành hình ảnh 6B của inclusionAI, được phát hành theo giấy phép MIT với trọng số được công bố vào ngày 17 tháng 9 năm 2026, được xây dựng cho thiết kế đồ họa đậm đặc văn bản. Gemini Omni 1.1 Flash là mô hình video sản xuất của Google, được cung cấp rộng rãi từ ngày 27 tháng 8 năm 2026, được xây dựng cho chuyển động dạng ngắn với âm thanh đồng bộ. Cả hai đều không thể thay thế cho nhau, và câu hỏi thú vị là điều gì xảy ra giữa chúng.

Hai nửa, được trình bày rõ ràng.

Bắt đầu với những gì mỗi cái thực sự trả về, vì mọi thứ khác đều theo sau.

• Đầu ra — Ming-Image-0.1-Design trả về một ảnh tĩnh, tối đa 2048 x 2048 ở 12 bước lấy mẫu và CFG 1.0, hoặc 1024 x 1024 để nhanh hơn; Gemini Omni 1.1 Flash trả về video, tối đa 40 giây được ghép từ các lệnh gọi tạo và mở rộng 10 giây

• Tính trong suốt — Ming-Image-0.1-Design phát ra RGBA gốc khi prompt bắt đầu bằng một cụm từ trong suốt đã được ghi tài liệu, vì vậy alpha xuất ra từ bộ lấy mẫu; Gemini Omni 1.1 Flash không có đầu ra trong suốt, và cũng không có định dạng video trong suốt nào trong pipeline

• Cấu trúc — mô hình Layer đi kèm của Ming-Image-0.1-Design phân tách một thiết kế đã được làm phẳng thành 2–9 tệp PNG RGBA riêng biệt, rồi tái hợp lại thành bản gốc; Gemini Omni 1.1 Flash trả về một clip đã được làm phẳng duy nhất

• Đầu vào tham chiếu — Ming-Image-0.1-Design tạo chỉ từ một câu lệnh mà không cần ảnh tham chiếu; Gemini Omni 1.1 Flash chấp nhận tối đa 10 hình ảnh mỗi câu lệnh và tối đa ba đoạn video tham chiếu dài 3 giây, và đọc tối đa 10 giây cảnh quay trước đó khi mở rộng một cảnh

• Giới hạn độ phân giải — Ming-Image-0.1-Design có độ phân giải gốc 2048; Gemini Omni 1.1 Flash kết xuất gốc ở 720p và nâng cấp lên 1080p và 4K, cùng với một mức nháp 360p

• Chi phí — Ming-Image-0.1-Design không có giá dịch vụ vì không có endpoint dịch vụ, vì vậy chi phí là thời gian GPU của riêng bạn trên một card 80 GiB; Gemini Omni 1.1 Flash tính phí $0.10 mỗi giây ở 720p, với bậc nháp 360p khoảng $0.03 mỗi giây

• Giấy phép — MIT cho Ming-Image-0.1-Design, được phép sử dụng thương mại; một API thương mại dành cho Gemini Omni 1.1 Flash, với đầu ra mang thủy vân SynthID

Nơi việc bàn giao bị đứt gãy

Nếu bạn đang xây dựng một quy trình thiết kế tạo ra cả hai, thì hướng đi chỉ có một chiều: Ming-Image-0.1-Design tạo khung hình, Gemini Omni 1.1 Flash làm nó chuyển động. Chiều ngược lại không tồn tại. Và đường nối giữa chúng chính là nơi công việc thiết kế bị mất đi.

Nạn nhân đầu tiên là kênh alpha. Một asset UI được tạo với nền trong suốt chính là lý do để dùng một sampler phát ra RGBA ngay từ đầu — nó đặt thẳng vào một bố cục sẵn có mà không cần một lượt tách nền. Đưa khung hình đó vào một luồng video thì độ trong suốt biến mất, vì không có đầu ra video trong suốt nào để bảo toàn nó. Độ trong suốt tồn tại trong compositor của bạn, được áp dụng sau khi clip trở về, chứ không nằm trong chuỗi model. Những nhóm lên kế hoạch tổng hợp trước khi clip tồn tại rốt cuộc phải làm lại.

Tổn thất thứ hai là độ phân giải. Ming-Image-0.1-Design kết xuất gốc ở 2048. Gemini Omni 1.1 Flash kết xuất gốc ở 720p rồi nâng cấp độ phân giải lên. Một khung thiết kế 2048 pixel được đưa vào đường kết xuất 720p thì phần lớn là chi tiết bị loại bỏ, và bước nâng cấp diễn ra sau đó là một bước phía nhà cung cấp mà bạn không kiểm soát.

Thứ ba là văn bản. Toàn bộ tiền đề của Ming-Image-0.1-Design là văn bản được kết xuất vẫn dễ đọc ở đúng kích thước mà nó sẽ được đọc — đó là trục mà 1.084 Elo của nó trong phân khúc Thiết kế UI/UX của Artificial Analysis đo lường. Một mô hình video làm hoạt hình khung hình đó không kết xuất lại nội dung chữ; nó di chuyển các điểm ảnh mà nó được cung cấp. Mọi chuyển động làm thay đổi phối cảnh, tỷ lệ hoặc ánh sáng của khung hình sẽ di chuyển cả kiểu chữ theo, và chữ nhỏ vốn dễ đọc trong ảnh tĩnh sẽ không trụ được qua phép biến đổi.

Không có điều nào trong số đó là lỗi ở cả hai mô hình. Đó là điều xảy ra khi một sản phẩm bàn giao bị chia tách giữa hai hệ thống vốn chưa từng được thiết kế để chuyển giao cho nhau, và cách khắc phục là một quyết định sản xuất, không phải một lựa chọn mô hình: hãy quyết định lớp nào của sản phẩm bàn giao được phép làm phẳng, và làm phẳng nó một cách có chủ đích.

Mỗi nửa thực sự giỏi ở điểm gì

Bằng chứng của Ming-Image-0.1-Design là một đấu trường của bên thứ ba. Nó đứng ở vị trí 45 trên 104 trên bảng xếp hạng Text to Image của Artificial Analysis với Elo 995 qua 21.342 phiếu bầu, và đứng đầu trong số các mô hình trọng số mở trong phần UI/UX Design của bảng xếp hạng đó với 1.084 Elo trên 2.100 phiếu bầu trong phần đó. Khoảng cách giữa hai con số đó là mô tả trung thực về mô hình: một chuyên gia được đo lường, không phải một mô hình tổng quát. Các số liệu của Layer companion của nó — lỗi RGB L1 là 0,0574 và alpha soft IoU là 0,8923 ở 1024 trên tập kiểm tra Crello — là do nhà cung cấp báo cáo và chưa được tái lập, và nên được dán nhãn như vậy.

Bằng chứng của Gemini Omni 1.1 Flash cũng độc lập, nhưng nằm trên một bảng xếp hạng khác. Trên Artificial Analysis, tính đến ngày 2 tháng 9 năm 2026, nó giữ vị trí dẫn đầu ở cả đấu trường văn bản thành video lẫn hình ảnh thành video trong hạng mục không có âm thanh, với Elo 1.324 và 1.364. Khi bật âm thanh, nó giảm xuống 1.237 và 1.180 — vị trí thứ hai và thứ tư. Khoảng cách về âm thanh đó là một chi tiết mà bảng thông số che giấu còn bảng xếp hạng phơi bày, và điều đó đáng để biết trước khi bạn lập ngân sách cho một chiến dịch dựa trên tuyên bố đứng đầu bảng xếp hạng.

Hai bảng không chồng lên nhau, và đó chính là ý nghĩa của nó. Không có đấu trường nào mà ở đó một ảnh tĩnh thiết kế và một clip mười giây bị đem ra đánh giá với nhau, và bất kỳ bài viết nào ngụ ý điều ngược lại đều đang bịa ra một cái bảng điểm.

Việc chia tách tốn bao nhiêu chi phí, mỗi lần thử

Kinh tế của hai nửa không thể so sánh với nhau và không nên được lấy trung bình thành một dòng ngân sách.

Về phía ảnh tĩnh, Ming-Image-0.1-Design không tốn phí cho mỗi ảnh một khi đã có phần cứng. Điều đó khiến việc lặp lại trở nên miễn phí theo đúng cách quan trọng: bạn có thể tạo hai mươi biến thể bảng điều khiển trong một buổi chiều và vứt bỏ mười chín. Về phía chuyển động, một clip 720p dài 10 giây trên Gemini Omni 1.1 Flash có hóa đơn khoảng $1.00; cùng 10 giây đó ở mức nháp 360p tốn khoảng $0.30; một cảnh 40 giây đầy đủ ở 720p — một lần tạo cộng ba lần gọi gia hạn — vào khoảng $4.00. Google chưa công bố mức giá theo giây cho các mức 1080p và 4K, và các niêm yết của nhà bán lại báo giá $0.15 và $0.30 mỗi giây là ước tính từ thị trường chứ không phải con số của nhà cung cấp, vì vậy mọi ngân sách sản xuất độ phân giải cao vẫn chỉ mang tính tạm thời.

Hệ quả thực tế là hai nửa này đòi hỏi những phong cách làm việc trái ngược nhau. Cứ lặp đi lặp lại trên ảnh tĩnh, nơi việc thử lại là miễn phí. Hãy chốt trên video, nơi mỗi lần thử lại đều bị tính đếm. Một nhóm lặp đi lặp lại trên nửa video chính là nhóm bị hóa đơn làm cho bất ngờ, bởi vì khung hình đầu tiên chẳng tốn gì còn những lần quay lại thì tốn tất cả.

Vị trí phù hợp cho một lớp định tuyến ở đây hẹp hơn những gì một bài chào hàng thường gợi ý, và đáng để nói rõ một cách chính xác. Ming-Image-0.1-Design là bản tải về theo giấy phép MIT — OrcaRouter không định tuyến bất kỳ mô hình inclusionAI nào, nên nó chạy trên phần cứng của bạn hoặc không chạy được chút nào. Gemini Omni 1.1 Flash là API của nhà cung cấp với khóa riêng và đồng hồ đo theo giây riêng, và chúng tôi cũng không định tuyến nó; Google chưa mở API video Omni cho định tuyến của bên thứ ba. Điều chúng tôi thực sự cung cấp ở mảng chuyển động là dòng video của Kling, bao gồm kling-v3, kling-v3-omni và kling-video-o1, cùng với MiniMax H3 — vì vậy nếu phần hoạt hoạ của một sản phẩm bàn giao cần một tuyến lưu trữ thay vì một hợp đồng nhà cung cấp thứ hai, thì điều đó có ở phía chúng tôi. Ở mảng hình ảnh, chúng tôi cung cấp dòng OpenAI GPT-Image, các bậc Imagen 4 của Google cùng bản xem trước hình ảnh Gemini, và điểm cuối hình ảnh Grok Imagine của xAI. Bởi vì giá niêm yết của nhà cung cấp được chuyển nguyên qua với mức markup 0% thay vì bị đội giá, việc nhà cung cấp giảm giá đối với bất kỳ sản phẩm nào trong số đó đều có hiệu lực ở phía chúng tôi ngay trong cùng ngày.

Quyết định, chỉ trong một lượt

• Bạn cần các tài sản thiết kế có thể chỉnh sửa — Ming-Image-0.1-Design, và lý do nằm ở việc phân tách lớp. Ảnh cắt nền trong suốt, biểu tượng, sprite và các tổ hợp phân lớp chính là nơi một bộ lấy mẫu xuất ra RGBA loại bỏ hẳn một công đoạn khỏi quy trình.

• Bạn cần chuyển động, được đo lường — Gemini Omni 1.1 Flash. Đây là cái duy nhất trong hai cái có kết quả đấu trường độc lập đứng đầu một bảng xếp hạng, và là cái duy nhất có mức giá theo giây được công bố mà bạn có thể đưa vào dự báo.

• Bạn cần cả hai — hãy dự trù ngân sách cho phần video theo từng lần thử chứ không phải theo từng asset, đừng giả định rằng kênh alpha vẫn còn nguyên vẹn, và hãy lên kế hoạch ghép lớp sau khi clip được trả về.

• Bạn cần bán được đầu ra — Gemini Omni 1.1 Flash rõ ràng là nửa an toàn hơn, vì MIT bao phủ phần trọng số của Ming-Image-0.1-Design còn điều khoản API của Google bao phủ phần video. Hình mờ chính là cái giá phải đánh đổi: mọi clip Omni đều mang SynthID, còn đầu ra của Ming-Image-0.1-Design thì không.

Điều đáng để theo dõi tiếp theo không phải là một cuộc đối đầu trực tiếp khác. Mà là liệu inclusionAI có gắn một endpoint được host vào Ming-Image-0.1-Design hay không — điều này sẽ loại bỏ chi phí đầu vào 80 GiB và thay đổi hoàn toàn phép so sánh này — và liệu Google có thu hẹp khoảng cách âm thanh trên các bảng xếp hạng video Omni hay không. Hai dữ kiện đó, chứ không phải một bảng điểm khác, quyết định nửa nào của một sản phẩm bàn giao thiết kế sẽ nhận được ngân sách.