文 | 全國模子工廠

Google可能要放大招了。

就在Google I/O 2026開幕前夜，兩條由Google尚未發(fā)布的新視頻模子Gemini Omni生成的視頻偷偷流出。

莫得任何官方預(yù)報，莫得任何發(fā)布會造勢，所有這個詞酬酢媒體都炸翻了。

一條視頻是一位磨真金不怕火站在黑板前，手持粉筆，一步步推導(dǎo)三角恒等式；

另一條是兩名男士坐在海邊高級餐廳，稱心地吃意大利面。

Reddit和X的接洽區(qū)，威望洶洶的都是并吞句話：\"這不可能是現(xiàn)存的技巧水平。\"

兩個看似普通的日常場景，為什么讓見慣了AI生成實質(zhì)的技巧圈集體祛除？

令東談主戰(zhàn)栗的視頻

先說“磨真金不怕火黑板授課”視頻，生成它只用了一條prompt：

\"一位磨真金不怕火在傳統(tǒng)黑板上寫出三角恒等式的數(shù)學(xué)闡發(fā)，同期用言語解釋他刻下正在推導(dǎo)的法度。\"

一條教導(dǎo)，莫得多輪對話，莫得分法度限度。

出來的效果是，磨真金不怕火手持粉筆，遲緩寫下公式，同期啟齒素養(yǎng)，畫面運(yùn)動，板書工致。

聽起來好像平平無奇。

但若是你了解刻下視頻生成模子的技巧規(guī)模在何處，就會顯著Gemini Omni同期作念到了三件事，而這三件事，以前從來不會同期出現(xiàn)。

第一，推理對了。

黑板上的闡發(fā)經(jīng)過在數(shù)學(xué)上是確立的，不是視覺上長得像公式的標(biāo)志堆砌，而是數(shù)學(xué)興致上確實有用的推導(dǎo)。

要作念到這極少，模子至少要在token量度以外，具備一定的標(biāo)志推理才調(diào)（symbolic reasoning）。

即知談下一步應(yīng)該出現(xiàn)什么公式，而不是當(dāng)場采樣一個看起來像數(shù)學(xué)的圖案。

語義準(zhǔn)確性重復(fù)在視覺生成之上，恰是大多半視頻模子會在這類測試中失敗的原因。

第二，空間連系對了。

評測者形容，粉筆書寫時的手部和手臂作為\"讀起來是天然的\"，黑板上的方程式了了可辨。

手部，是AI視頻生成里公認(rèn)最容易穿幫的場地。

手指數(shù)目非常、樞紐誤解、與物體的空間連系失真，這是行業(yè)里險些每一代視頻模子都栽過的坑。

一支粉筆被正確持持，在黑板上留住挑升想的字跡，手腕的力談、落筆的角度，都在合理的鴻溝內(nèi)。

這一關(guān)，比畫一只正常的手還要難，因為手在這里還要和黑板、粉筆、書寫行徑，變成完滿的空間邏輯。

第三，時序?qū)α恕?/p>

這是最被低估的一件事。

磨真金不怕火寫下某個推導(dǎo)法度的同期，理論素養(yǎng)的恰是這個法度，板書進(jìn)程與語音實質(zhì)保持同步。

這不僅僅音視頻的幀級對皆（frame-level alignment），而是視覺事件、語義事件、時辰事件三者之間的跨模態(tài)聯(lián)結(jié)。

任何一個維度的領(lǐng)略出現(xiàn)偏差，效果就會是\"手在寫A，嘴在講C\"。

這種錯位，東談主類不雅眾一眼就能感知到。

若是這三件事僅僅分離作念到，咱們不錯合計是三個專項模塊拼在通盤的效果。

但三者同期確立、互相聯(lián)結(jié)，更可能是模子在某個表征層面上，照舊對\"磨真金不怕火在黑板上授課\"這件事變成了舉座性的語義領(lǐng)略。

換句話說，它知談這件事在執(zhí)行全國里是什么形勢，知談其中各個元素之間的經(jīng)管連系。

這亦然為什么\"全國模子\"這個詞，會在這條視頻流出后初始被頻頻說起。

在黑板視頻流出的同期，還有另一條視頻通盤曝光：兩名男士在海邊高級餐廳吃意大利面。

這個場景的接受，不是當(dāng)場的。

2024年，一段AI生成的\"Will Smith吃意大利面\"視頻在網(wǎng)上瘋傳。

畫面里的手指數(shù)目分歧，2026美加墨世界杯中國認(rèn)證平臺面條像活物一樣扭動，叉子和嘴的空間連系實足失控。

那段視頻成了早期AI視頻生成才調(diào)的羞恥柱。

圖為\"Will Smith吃意大利面\"視頻截圖

而這一次，Gemini Omni生成的效果，有用戶接洽是\"令東談主難以置信地確實\"。

這背后考驗的，是模子對剛體與柔性體之間動態(tài)交互的建模才調(diào)：

叉子是硬的，面條是軟的，兩者在斗爭時會產(chǎn)生形變，而形變的理論必須合適執(zhí)行全國里的物理直觀。

這恰是早期生成模子在隱式物理模擬（implicit physics simulation）上的致命短板。

一個模子，在兩條視頻里，分離遭遇了視頻生成最難的兩類問題：

一類是標(biāo)志、語音與畫面的同步，另一類是東談主與物體、剛體與柔性體的交互，并把這些問題激動到一個更可用的景色。

Gemini Omni展示的，更像是一個對全國有著更深領(lǐng)略的基座模子。

Gemini Omni的沖擊

遣散咫尺，Google還莫得發(fā)布Gemini Omni的任何技巧文檔，也莫得公開任何模子參數(shù)或基準(zhǔn)測試數(shù)據(jù)。

但對于Gemini Omni的架構(gòu)，咫尺外界存在三種解讀。

最保守的說法是，Omni僅僅Veo的品牌重定名，底層推理引擎莫得根底變化；

第二種說法是，Omni是在Gemini架構(gòu)下重新考研的全新視頻模子，與Veo并行但穩(wěn)重；

第三種說法最激進(jìn)，合計Omni是一個確實興致上的原生多模態(tài)合資模子，在單一架構(gòu)里原生處理筆墨、圖像、視頻和音頻。

基于以上兩段視頻的發(fā)達(dá)，第三種解讀反而像是\"Omni\"這個定名最合理的指向，畢竟在拉丁語中，\"omnis\"意味著所有這個詞。

若是Omni確實買通了多模態(tài)鏈路，模子競爭的焦點(diǎn)就會發(fā)生根人道的滾動。

不再是誰能拍出更像電影的畫面，而是誰是實質(zhì)創(chuàng)作家的獨(dú)一指標(biāo)地。

誠然當(dāng)今還弗成說Gemini Omni照舊是全國模子，但它至少闡發(fā)，視頻生成正在靠晚全國模子要措置的問題：

如安在時辰中守護(hù)一個可解釋、可編著、可麇集推演的場景。

家具層面的沖擊一樣箝制淡薄。

今天一條AI視頻的坐褥鏈路，寬泛需要串聯(lián)言語模子寫劇本、圖像模子作念故事板、視頻模子作念動畫渲染、再加外部編著軟件作念后期處理。

每一次跨用具切換，都意味著信息損耗和格調(diào)漂移。

一朝Gemini Omni對話式視頻編著確立，這條鏈路就可能被一個對話窗口替代了。

更樞紐的是，若是Omni被放入Gemini進(jìn)口，并與Gmail、Google Docs、YouTube、Android深度買通，這是字節(jié)Seedance、快手Kling在分發(fā)層面根底無法復(fù)制的生態(tài)上風(fēng)。

技巧才調(diào)決定上限，生態(tài)決定例模。

Gemini Omni確實的威迫，大要不在于它今天生成的視頻有多好，而在于它把視頻生成才調(diào)放在了一個競爭敵手根底進(jìn)不去的場地，后者對前者險些組成降維打擊。

全國模子時刻大要駕臨

往日幾年，生成式AI的進(jìn)化旅途相對了了。

言語模子學(xué)會了讀和寫，圖像模子學(xué)會了看和畫，視頻模子學(xué)會了動。

每一個模態(tài)都在我方的賽談上快速迭代，但它們之間歷久存在一談隱形的墻。

模子知談筆墨，也知談圖像，但它不睬解筆墨和圖像之間、聲息和作為之間、邏輯和畫面之間的經(jīng)管連系。

若是說ChatGPT時刻界說了言語的規(guī)模，Sora時刻界說了視頻的規(guī)模，那Gemini Omni指向的，很可能是第一個確實興致上的\"全國模子時刻\"。

模子第一次初始領(lǐng)略，模態(tài)與模態(tài)之間在執(zhí)行全國里的經(jīng)管連系，而不僅僅分離生成它們。

這是一次質(zhì)的飛躍。

天然，Gemini Omni是否確實收尾了這極少，在5月19日Google I/O 2026大會之前，莫得東談主能給出詳情的謎底。

但泄涌現(xiàn)來的視頻，給出的信號照舊滿盈有勁。

接下來Google會在臺上說什么，咱們很快就會知談。