Gemini Omni Flash 1.2 在视频编辑领域排名第 2——而误差线才是关键

Artificial Analysis 将G​emini Omni Flash 1.2于 11 月 10 日列入三个视频排行榜，此时距 G​oogle 将该模型全面开放仅六天。标题不言自明：在 AA-Video-Editing v1.1 上排名第 2，领先于位列第 5 的G​emini Omni 1.1 Flash；在 AA-Video-T2V v2.1 上从第 12 名升至第 6 名，在 AA-Video-I2V v2.1 上从第 17 名升至第 14 名。真正有用的解读在边缘处。这三次变动中有两次落在彼此重叠的 95% 区间内或区间边缘，三次中有一次是在缩减后的提示词集上测得的，而其中区分度最清晰的一次，恰恰是这组里名次变化最小的一次。

三个委员会，对谁是最佳给出三种不同答案

新数据行首先说明的一点是，并不存在唯一一个可以赢下的视频排名。Wan 3.0 以 1,192 分领跑编辑榜，以 1,175 分领跑文生视频榜，随后在图生视频榜上以 1,108 分位列第 11。Dreamina Seedance 2.5 以 1,161 分位居图生视频榜首，同时在编辑榜和文生视频榜上均排名第四。模型的名次是任务的属性，而不是模型的属性；任何只引用一个数字的宣传，都是在引用一项任务。

在此背景下，G​emini Omni Flash 1.2 的表现异常平缓。它在编辑上排名第二，在文生视频上排名第六，在图生视频上排名第十四——处处有竞争力，却无处占主导。对于一款以对话式编辑为主打功能的模型来说，这种平缓可以说正是关键所在：它是编辑榜前十中唯一同时跻身文生视频前十的条目。

二十六 Elo，以及两个几乎相接的区间

从第12名升至第6名，是在 AA-Video-T2V v2.1 上最会被截图传播的那个变化。这是26分的提升，从1,128到1,154。公布区间为 G​emini Omni 1.1 Flash 的1,115到1,141，以及1.2的1,140到1,168。两者恰好重叠一分。

这不是否定这一提升的理由。这恰恰是停止把排名当作度量值的理由。Artificial Analysis 从盲式两两对比投票中推导出这些区间；1.2 有 5,056 个样本，而 1.1 有 7,943 个，较新的模型证据基础更薄弱，因为它上榜才一天。一个在边界处相接的 26 分差距，最好解读为“可能更好，但在当前样本量下尚无法区分”——这与“上升了六位”是不同的说法，尽管两者描述的是同样的两行。

剪辑榜的情况类似，但差距更小：1,164 对 1,146，相差 18 分，其区间在 1,152 到 1,156 之间重叠。图生视频榜则相反，也更有意思。那里差距为 42 分，1,086 对 1,044，而且两个区间完全不接触——1,071 到 1,101 对 1,030 到 1,058。排名变动了三位，而不是六位，并且它是这三组比较中唯一在严格解读自身误差条后仍成立的。

按此对这三个进行排序，顺序就会反转：排名变化最小的是最强证据，排名变化最大的是最弱证据。排名运算掩盖了这一点，因为排名是根据点估计计算出来的，而区间被丢弃了。

编辑评分附带了一条脚注。

Gemini Omni Flash 1.2 在 AA-Video-Editing v1.1 上的第 2 名在该行本身附有一条注释：该模型“通过其版权和安全过滤器拒绝了我们测试集中的一些内容”，其结果反映的是剩余提示词。每一行也都被标记为暂定。

直白地说，评分是模型愿意回答的那些提示词上的平均值，而它拒绝的提示词恰恰就是要求编辑模型修改真实素材、复刻标识，或处理可识别对象的那些——这些任务正是区分演示与交付的关键。一个拒绝测试集中较难的三分之一的模型，可能比一个尝试全部题目的模型得分更高，尽管它并不更胜任这项工作。公开结果中没有任何内容能让你校正这一点，而且这种偏差的方向是向上，而不是向下。

这并不是在说那个数字有误，而是在说编辑榜单上的 #2 是一项关于在允许的提示词上质量如何的主张，并且对这款模型而言，允许的提示词集合比其周边模型更小。如果你的工作涉及档案影像、品牌资产或肖像，那么运营方自身的过滤行为会比 18 分的 Elo 差距更能决定你的结果，而排行榜永远不会向你展示这一点，因为拒绝记录并不会被公开。

每分钟 6.26 美元是 Google 自己独立得出的价目表价格。

三个榜单上的定价栏均将 G​emini Omni Flash 1.2 列为每分钟生成视频 6.26 美元。Artificial Analysis 将该栏定义为：在其基准测试所用设置下，通过创作者 API 生成一分钟视频的成本，在提供 1080p 时按 1080p 计——这是一个标准化数值，而非报价。

这里恰好与供应商自己的算术完全吻合。G​oogle 对 1080p 且启用上采样的视频输出按每秒 8,688 个 token 计费，价格为每百万 token 12.00 美元。六十秒就是 521,280 个 token，也就是 6.255 美元。该看板给 G​emini Omni 1.1 Flash 的 9.12 美元，也同样能与每百万 17.50 美元对上。两个独立方精确到美分得出一致结果，这比任何一个数字单独来看都更有价值：它意味着 G​oogle 在 11 月 5 日宣布的 30% 降价，已经体现在第三方的成本模型中，而不只是出现在新闻稿里。

这一列没有体现的，是你实际会选择的清晰度。在 720p 下，同一模型每秒计费约 $0.07，也就是每分钟约 $4.20；在 360p 下，每秒 $0.023，约合 $1.38。一个以 360p 起草、以 1080p 完成的团队，支付的是混合费率，而这个费率在表上任何地方都看不到；表上的单一数字会把该流程中起草那一半的成本高估四倍。

偏好竞技场无法告诉你什么

这些是盲测的人类偏好投票，而不是基准测试套件。没有人会衡量一个十五秒片段能否在剪辑切换后保持角色夹克颜色一致、音频在第四次延长轮次时是否保持同步，或者模型是否遵循包含六张参考图的要求。这些才是 Google 11月5日更新日志实际声称的特性——在最多六张参考图中提升角色与主体一致性、更清晰的口型同步、区分多说话人条件控制——而这些都不是成对“哪个片段更好”的投票所衡量的内容。

投票也无法看到在运营上真正重要的失败模式。拒绝提示的模型得分为零；返回技术上有效但人脸漂移的文件的模型，在单片段比较中得分很高，而在二十个镜头的序列上得分很差。Arena Elo 是一种按片段衡量的工具，却被用来回答按项目衡量的问题。

这使流水线处于何种境地，以及我们路由什么

G​emini Omni Flash 1.2 不在 OrcaRouter 的目录中。我们检查了实时模型列表，发现没有任何版本的 Omni 条目，所以如果你需要的正是这个模型，G​oogle 自己的 API 才是可行路径——我们宁愿直说，也不愿暗示并非如此。路由层改变的是视频流水线中非视频的那部分：分镜清单、提示词扩写、字幕生成环节和事后审计都属于文本工作，而这些都运行在我们确实提供的模型上——包括在一个密钥上，按提供商标价、0% 加价，因此供应商一旦调价，当天就会反映到账单上，而不是等到下一份合同。

本次发布中就有一个该论点的具体例证。1.2 的视频费率比 1.1 低 30%，而 1.1 端点从 12 月 3 日起不再单独计费，届时 G​oogle 会开始将其自动路由到 1.2。硬编码了旧的每秒常量的流水线现在只有三周时间来发现这一点。一个从网关读取费率的流水线，只要该网关按目录价原样传递，就不会有这个问题，因为没有任何东西需要重新硬编码。

什么会改变这一解读

三件事，按有用程度排序。编辑榜若能公布拒答率，就会让 #2 变得可比较；而现在那条注释只告诉你测试集缩小了，却没说是缩小了多少。对 1.2 再投一周票，会把文生视频的区间收窄到足以判定 26 Elo 是真实差距还是采样假象——当前的重叠只有一分宽，而这是区间所能处的最没有信息量的位置。任何对参考图像一致性说法的独立测量，价值都会超过三个榜单的总和，因为那正是 G​oogle 真正在推销的说法，也是没有任何竞技场在检验的说法。

在那之前，诚实的总结是有限的。G​emini Omni Flash 1.2 在三个榜单上都比 G​emini Omni 1.1 Flash 是更好的视频模型：在图生视频上明显更好，在另外两项上可能也更好；每 token 成本低 30%；它带有一个安全过滤器，会移除其编辑测试集的一部分；而且运营方会在三周内把旧端点路由到新端点，无论你是否测试过它。