产品

Gemini Omni 1.1 Flash 发布:Google 的轻量多模态牌怎么打

Google 悄悄放出 Flash 系列新版本,主打速度和成本。开发者工具链这次更新了什么?值得接吗?

字号

昨天刷 HN 首页看到 Google 的新博客:Build with Gemini Omni 1.1 Flash,91 分热度、36 条评论。对一个 Flash 系列更新来说,这个讨论量算正常——Flash 一直是"开发者干活用的那个",不是刷榜的那个。

但这次名字变了:Omni。

Omni 1.1 Flash 到底新在哪

先说能力。官方博客列的功能覆盖四个模态:文本、图像、音频、视频。一个端点、一套 API,输入输出都能跨模态。这不是 Google 第一次做这事——2.0 Flash 也能处理多模态输入,但输出主要还是文本。1.1 Flash 的卖点是把"输出也走多模态"这条路打通了:你可以让它直接生成图像、生成语音,不用切到 Imagen 或 TTS 端点。

官方原文这么说:

"Gemini Omni 1.1 Flash is designed to help developers build applications that can process and generate content across multiple modalities — text, images, audio, and video — with a single API call."

参数规模和上下文窗口博客里没给具体数字。这是 Google 一贯的策略——Flash 系列从 1.5 开始就很少公开参数,只说"比上一代更快更便宜"。从开发者反馈看,1.1 Flash 的上下文应该维持在 1M token 量级(和 2.0 Flash 一致),但实际表现要等第三方 benchmark 出来才能确认。

相比上一代 Flash 的改动点,主要是三块:

  • 多模态输出原生化:以前要拼多个模型,现在一个端点搞定
  • TTFT(Time To First Token)优化:官方说法是比 2.0 Flash 又砍了一截
  • 音频处理更顺:流式音频输入的延迟据说降到了 200ms 以内

这三个点都是"开发者用脚投票时会看的",不是榜单上的虚指标。

价格和速度:Flash 的命根子

Flash 系列的命根子从来不是"最强",是"最划算"。把 Gemini 2.0 Flash、Claude Haiku 4.5、GPT-4.1 mini 拉出来对一下 API 单价(每百万 token,美元):

模型 输入 输出
Gemini 2.0 Flash $0.10 $0.40
Gemini Omni 1.1 Flash ~$0.08(预估) ~$0.32(预估)
Claude Haiku 4.5 $0.80 $4.00
GPT-4.1 mini $0.40 $1.60

1.1 Flash 的官方定价博客没明说,上面是按"再降 20%"的市场预期估的,实际以 Google AI Studio 控制台为准。

价格层面,Flash 依然是断层式便宜。Claude Haiku 4.5 的输入价是 Flash 的 8-10 倍,GPT-4.1 mini 也是 4 倍以上。对于"量大但每个请求价值不高"的场景(客服机器人、内容审核、批量标注),这个差距就是商业模型能不能跑通的差距。

TTFT(首 token 时间)这块,Google 自家数据说 1.1 Flash 比 2.0 Flash 又快了 30% 左右。实际体感要看你跑的是什么——流式音频、长 prompt、视频帧抽取,都会影响。我自己测 2.0 Flash 的纯文本 TTFT 大概在 150-200ms,1.1 Flash 如果真能压到 100ms 以内,实时语音对话的体验会再上一个台阶。

开发者工具链的实际体验

工具链这块,Google 的策略一直是"两条腿走路":

  • Google AI Studio:面向个人开发者,免费额度够用,几分钟能跑通 demo
  • Vertex AI:面向企业,VPC、私有部署、审计日志全都有

1.1 Flash 两个渠道都上了。AI Studio 的 Playground 直接勾选模型就能测多模态输出,Vertex AI 那边需要等区域开放,目前是 rollout 中。

LangChain 和 LlamaIndex 的集成属于"半官方"——都有 Gemini 的 ChatModel wrapper,1.1 Flash 兼容 Gemini 接口规范(路径是 gemini-omni-1.1-flash),理论上不用改代码,换模型名就行。但多模态输出的 agent 链路各家还在适配,比如 LangGraph 里要处理图像生成节点的失败重试,得自己包一层。

HN 评论区吐槽的点比较实际:

  • 文档滞后:官方博客只讲能力不讲限制,具体 rate limit、并发上限要进 console 翻
  • 多模态输出不稳定:有人跑图生图发现 prompt 遵循度不如纯文本,"还是要 prompt engineering 那套,但 Google 没给系统指南"
  • 命名混乱:从 2.0 Flash 到 Omni 1.1 Flash,版本号和命名逻辑对不上,"我到底该用哪个"成了高频问题

最后一个吐槽尤其真实。Google 的模型命名一向是"内部代码名 + 营销名"两套体系,开发者不熟很容易选错。

Omni 这个名字意味着什么

把多模态模型直接叫 Omni,这个命名明显是在和 OpenAI 的 GPT-4o 路线呼应。GPT-4o 当年是 OpenAI 押注"全模态原生模型"的核心产品,后来路线调整,4o 被逐步降权,GPT-5 系列接棒。

Google 这次把 Flash 系列升级叫 Omni,意思很明确:"你们砍掉的路,我接着走。" 区别在于——Google 是从低端(Flash)往上打,不是从旗舰(Pro)往下铺。这是个聪明的策略:旗舰模型拼榜单,低端模型拼落地。多模态原生这件事,在开发者市场最大的买单方是"做实时语音、做视频理解、做跨模态检索"的中小团队,他们要的是便宜 + 够用,不是 SOTA。

从市场定位看,Google 在多模态 API 这块现在有三层:

  • Pro 系列:拼能力,对标 GPT-5、Claude Sonnet
  • Flash 系列:拼性价比,对标 GPT-4.1 mini、Claude Haiku
  • Nano / On-device:拼端侧,未来对标 Apple Intelligence

Omni 1.1 Flash 守住的是中间这一层。这一层 Anthropic 和 OpenAI 都在补(Haiku 4.5、GPT-4.1 mini 都是),但 Google 的价格优势短期内很难被追平。

我的判断

1.1 Flash 在 Google 整个多模态布局里的位置,本质是"防御型产品"——不是冲榜,是守住开发者市场的基础盘。Flash 系列的真正用户不是研究机构,是做产品的小团队、独立开发者、Agent 框架的底层调用方。Google 只要保住"最便宜的多模态 API"这个标签,就能在 Anthropic 和 OpenAI 的夹击里维持存在感。

和 8 月的 Claude 4.5、GPT-5 mini 比,1.1 Flash 没有"硬指标突破",但胜在两点:价格断层 + 多模态输出原生。如果你的场景是"每天跑百万级请求、每个请求涉及音频或视频、需要直接生成内容",1.1 Flash 值得现在就接。Google AI Studio 的免费额度足够你跑通 demo,决定上生产再谈 Vertex AI 的合同。

如果你的场景是"高价值低频次"——比如法律文书分析、代码深度推理——还是老实上 Claude Sonnet 或 GPT-5。Flash 的便宜是有代价的,复杂推理、长链 planning,它扛不住。

不确定的地方:1.1 Flash 的实际多模态输出质量,官方 demo 看着好,真实场景能不能稳还需要一两周的社区反馈。如果你已经接了 2.0 Flash,建议先在 staging 环境跑 A/B 测试,别急着全量切。


参考链接:
- Google 官方博客
- HN 讨论

来源: https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-omni-1-1-flash/