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。

莫得任何官方預報，莫得任何發布會造勢，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，威望洶洶的都是并吞句話：\"這不可能是現存的技巧水平。\"

兩個看似普通的日常場景，為什么讓見慣了AI生成實質的技巧圈集體祛除？

令東談主戰栗的視頻

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黑板上寫出三角恒等式的數學闡發，同期用言語解釋他刻下正在推導的法度。\"

一條教導，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，畫面運動，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。

第一，推理對了。

黑板上的闡發經過在數學上是確立的，不是視覺上長得像公式的標志堆砌，而是數學興致上確實有用的推導。

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

即知談下一步應該出現什么公式，而不是當場采樣一個看起來像數學的圖案。

語義準確性重復在視覺生成之上，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視頻生成里公認最容易穿幫的場地。

手指數目非常、樞紐誤解、與物體的空間連系失真，這是行業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。

這一關，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，時序對了。

這是最被低估的一件事。

磨真金不怕火寫下某個推導法度的同期，理論素養的恰是這個法度，板書進程與語音實質保持同步。

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聯結。

任何一個維度的領略出現偏差，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、互相聯結，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略。

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

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，不是當場的。

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

畫面里的手指數目分歧，2026美加墨世界杯中國認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交互的建模才調：

叉子是硬的，面條是軟的，兩者在斗爭時會產生形變，而形變的理論必須合適執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略的基座模子。

Gemini Omni的沖擊

遣散咫尺，Google還莫得發布Gemini Omni的任何技巧文檔，也莫得公開任何模子參數或基準測試數據。

但對于Gemini Omni的架構，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架構下重新考研的全新視頻模子，與Veo并行但穩重；

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

基于以上兩段視頻的發達，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確實買通了多模態鏈路，模子競爭的焦點就會發生根人道的滾動。

不再是誰能拍出更像電影的畫面，而是誰是實質創作家的獨一指標地。

誠然當今還弗成說Gemini Omni照舊是全國模子，但它至少闡發，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進口，并與Gmail、Google Docs、YouTube、Android深度買通，這是字節Seedance、快手Kling在分發層面根底無法復制的生態上風。

技巧才調決定上限，生態決定例模。

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放在了一個競爭敵手根底進不去的場地，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的進化旅途相對了了。

言語模子學會了讀和寫，圖像模子學會了看和畫，視頻模子學會了動。

每一個模態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管連系。

若是說ChatGPT時刻界說了言語的規模，Sora時刻界說了視頻的規模，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\"。

模子第一次初始領略，模態與模態之間在執行全國里的經管連系，而不僅僅分離生成它們。

這是一次質的飛躍。

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。