昨天在 HN 首頁看到 Google 的新文章:Build with Gemini Omni 1.1 Flash,91 分熱度、36 則留言。對一次 Flash 系列更新而言,這個討論量算正常——Flash 一直是「開發者拿來幹活」的系列,不是專門刷榜的那個。
但這次名稱變了:Omni。
Omni 1.1 Flash 到底新在哪
先看能力。官方文章列出的功能涵蓋四種模態:文字、圖像、音訊、影片。一個端點、一套 API,輸入與輸出都能跨模態。這不是 Google 第一次採取這種設計——2.0 Flash 也能處理多模態輸入,但輸出主要仍是文字。1.1 Flash 的賣點,是把「輸出也支援多模態」這條路打通了:開發者可以直接生成圖像或語音,不必再切換到 Imagen 或 TTS 端點。
官方原文是這麼說的:
"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."
參數規模與上下文窗口方面,文章沒有提供具體數字。這是 Google 一貫的做法——Flash 從 1.5 開始就很少公開參數量,只強調「比上一代更快、更便宜」。從開發者回饋來看,1.1 Flash 的上下文長度可能維持在 1M token 左右,與 2.0 Flash 相同,但實際表現仍要等第三方 benchmark 公布後才能確認。
與上一代 Flash 相比,主要更新有三項:
- 原生支援多模態輸出:過去需要串接多個模型,現在一個端點就能完成
- TTFT(Time To First Token)最佳化:官方表示相較 2.0 Flash 又縮短了一截
- 音訊處理更流暢:串流音訊輸入的延遲據稱降至 200ms 以內
這三項都是開發者在實際採用時會關注的指標,不是榜單上的裝飾數字。
價格與速度:Flash 的命根子
Flash 系列向來不追求「最強」,而是「最划算」。將 Gemini 2.0 Flash、Claude Haiku 4.5 與 GPT-4.1 mini 放在一起比較 API 單價如下,單位為每百萬 token 美元:
| 模型 | 輸入 | 輸出 |
|---|---|---|
| Gemini 2.0 Flash | $0.10 | $0.40 |
| Gemini Omni 1.1 Flash | ~$0.08(預估) | ~$0.32(預估) |
| Claude Haiku 4.5 | $0.80 | $4.00 |
| GPT-4.1 mini | $0.40 | $1.60 |
1.1 Flash 的官方定價文章尚未公布明確價格,上表按「再降 20%」的市場預期估算,實際金額以 Google AI Studio 控制台為準。
價格方面,Flash 依然有明顯優勢。Claude Haiku 4.5 的輸入價格約為 Flash 的 8 至 10 倍,GPT-4.1 mini 也高出 4 倍以上。對「請求量大、單次價值不高」的場景,例如客服機器人、內容審核與批次標註,這個差距足以決定商業模式能否成立。
TTFT(首 token 時間)方面,Google 自家資料顯示,1.1 Flash 比 2.0 Flash 又快約 30%。實際體驗仍取決於使用方式——串流音訊、長 prompt 與影片幀抽取都會影響結果。筆者先前測試 2.0 Flash 的純文字 TTFT 約為 150 至 200ms;如果 1.1 Flash 真能把延遲壓到 100ms 以內,即時語音對話的體驗將再提升一個層級。
開發者工具鏈的實際體驗
工具鏈方面,Google 一向採取「兩條腿走路」:
- Google AI Studio:面向個人開發者,免費額度足以讓人快速跑通 demo
- Vertex AI:面向企業,提供 VPC、私有部署與稽核日誌
1.1 Flash 已在兩個平台上線。AI Studio 的 Playground 可直接勾選模型並測試多模態輸出;Vertex AI 則需等待各地區陸續開放,目前仍處於 rollout 階段。
LangChain 與 LlamaIndex 的整合可說是「半官方支援」——兩者都有 Gemini 的 ChatModel wrapper,而 1.1 Flash 遵循 Gemini API 規範,模型路徑為 gemini-omni-1.1-flash,理論上只需替換模型名稱,不需修改程式碼。不過,各家的多模態輸出 Agent 流程仍在調校,例如 LangGraph 還需要處理圖像生成節點的失敗重試,開發者得自行包一層處理機制。
HN 留言區提出的問題都很實際:
- 文件更新速度落後:官方文章只談能力、不談限制,具體 rate limit 與併發上限都得進 console 查找
- 多模態輸出不穩定:有開發者發現圖生圖的 prompt 遵循度不如純文字,「還是需要 prompt engineering,但 Google 沒有提供完整指南」
- 命名容易混淆:從 2.0 Flash 跳到 Omni 1.1 Flash,版本編號與命名邏輯對不上,「到底該用哪個」成了高頻問題
最後一點尤其真實。Google 的模型命名長期存在「內部代號+行銷名稱」兩套系統,開發者不熟悉時很容易選錯。
Omni 這個名稱代表什麼
把多模態模型直接命名為 Omni,顯然是在回應 OpenAI 的 GPT-4o 路線。GPT-4o 曾是 OpenAI 押注「全模態原生模型」的核心產品,後來產品方向調整,4o 逐步降低權重,改由 GPT-5 系列接手。
Google 這次將 Flash 系列升級命名為 Omni,意思很明確:「你們收掉的路,我接著走。」差別在於——Google 是從低價位的 Flash 向上擴張,而不是從旗艦 Pro 向下延伸。這是個聰明的布局:旗艦模型負責拚榜,低價模型負責落地。多模態原生能力在開發者市場最大的買單者,是做即時語音、影片理解與跨模態檢索的中小團隊。他們需要的是便宜、夠用,而不是 SOTA。
從市場定位來看,Google 的多模態 API 目前分為三層:
- Pro 系列:拚能力,對標 GPT-5、Claude Sonnet
- Flash 系列:拚性價比,對標 GPT-4.1 mini、Claude Haiku
- Nano/On-device:拚端側運行,未來對標 Apple Intelligence
Omni 1.1 Flash 守住的是中間這一層。Anthropic 與 OpenAI 都在補強這個區間,例如 Haiku 4.5 和 GPT-4.1 mini,但 Google 的價格優勢短期內很難被追平。
判斷
1.1 Flash 在 Google 整體多模態布局中的定位,本質上是「防禦型產品」——不以衝榜為目標,而是守住開發者市場的基本盤。Flash 真正的用戶不是研究機構,而是產品小團隊、獨立開發者,以及 Agent 框架的底層呼叫方。只要 Google 能維持「最便宜的多模態 API」這個標籤,就能在 Anthropic 與 OpenAI 的夾擊下保持存在感。
與 8 月的 Claude 4.5、GPT-5 mini 相比,1.1 Flash 沒有硬指標上的突破,但勝在兩點:價格差距,以及原生多模態輸出。如果使用情境是每天執行百萬級請求、每個請求涉及音訊或影片,而且需要直接生成內容,1.1 Flash 值得立即評估。Google AI Studio 的免費額度足以跑通 demo,確認要上線生產環境後,再洽談 Vertex AI 方案。
如果情境屬於高價值、低頻率,例如法律文件分析或深度程式碼推理,Claude Sonnet 或 GPT-5 仍然是較合適的選擇。Flash 的低成本有其代價,碰上複雜推理與長鏈 planning,未必扛得住。
目前仍不確定的是 1.1 Flash 的實際多模態輸出品質。官方 demo 看起來不錯,但真實場景能否保持穩定,還需要一至兩週的社群回饋。已經採用 2.0 Flash 的團隊,建議先在 staging 環境執行 A/B 測試,別急著全面切換。
參考連結: