Google представи Gemini Omni 1.2 Flash: 15-секундно видео генериране и с 30% по-ниски цени на API
Източник: Wikimedia Commons / New York, Wid's Films and Film Folks, Inc.
Инженерният екип на Google DeepMind представи следващата еволюция на своите ултрабързи модели — Gemini Omni 1.2 Flash [1]. Актуализацията разширява възможностите за мултимодален AI, позволявайки директно генериране на фотореалистични видеоклипове с продължителност до 15 секунди при висока кадрова честота, като едновременно намалява разходите за токени през официалното API с цели 30%.
Пространствено-времева компресия и оптичен поток в реално време
Ключовият пробив в Gemini Omni 1.2 Flash се крие в новия видео енкодер, който анализира кадрите не като изолирани 2D изображения, а като непрекъснати векторни траектории на движението. Този подход намалява броя на необходимите изчислителни операции с близо 45%, елиминирайки характерните артефакти на трептене и морфинг при динамични сцени.
Ценова война и достъпност за масови разработчици
Чрез свалянето на цените с близо една трета, Google нанася директен удар върху независимите доставчици на специализиран видео AI. Новата ценова структура прави икономически изгодно вграждането на мултимодални видео агенти в мобилни приложения за електронна търговия, игри и образование.
Сливането на разбирането и генерацията в единни мултимодални ядра
Еволюцията на серията Gemini показва категорично, че бъдещето принадлежи на естествено мултимодалните архитектури, а не на отделни модели, свързани с тромави API мостове. Когато една невронна мрежа може едновременно да вижда, чува, разсъждава и генерира видео в реално време с субсекундна латентност, тя се превръща в универсален възприятиен интерфейс за роботика, автономни превозни средства и виртуална реалност. Достъпността на подобни възможности на ниска цена ще пренареди целия сектор на цифровото съдържание.
Анализ на пространствено-времевата компресия, цените и интеграцията.