文 | 寰球模子工厂

Google可能要放大招了。

就在Google I/O 2026开幕前夜，两条由Google尚未发布的新视频模子Gemini Omni生成的视频偷偷流出。

莫得任何官方预报，莫得任何发布会造势，通盘这个词搪塞媒体都炸翻了。

一条视频是一位西宾站在黑板前，手持粉笔，一步步推导三角恒等式；

另一条是两名男士坐在海边高级餐厅，闲散地吃意大利面。

Reddit和X的批驳区，漫天掩地的都是归并句话：\"这不可能是现存的手艺水平。\"

两个看似普通的日常场景，为什么让见惯了AI生成现实的手艺圈集体逃匿？

令东谈主战抖的视频

先说“西宾黑板授课”视频，生成它只用了一条prompt：

\"一位西宾在传统黑板上写出三角恒等式的数学证明，同期用谈话解释他现时正在推导的表率。\"

一条教导，莫得多轮对话，莫得分表率适度。

出来的成果是，西宾手持粉笔，冉冉写下公式，同期启齿训诫，画面洞开，板书玄妙。

听起来好像平平无奇。

但要是你了解现时视频生成模子的手艺领域在那处，就会解析Gemini Omni同期作念到了三件事，而这三件事，以前从来不会同期出现。

第一，推理对了。

黑板上的证明经由在数学上是建树的，不是视觉上长得像公式的符号堆砌，而是数学意旨上真的灵验的推导。

要作念到这少量，模子至少要在token臆度除外，具备一定的符号推理才气（symbolic reasoning）。

即知谈下一步应该出现什么公式，而不是随即采样一个看起来像数学的图案。

语义准确性重叠在视觉生成之上，恰是大巨额视频模子会在这类测试中失败的原因。

第二，空间干系对了。

评测者态状，粉笔书写时的手部和手臂当作\"读起来是天然的\"，黑板上的方程式显着可辨。

手部，是AI视频生成里公认最容易穿帮的处所。

手指数目诞妄、要道诬陷、与物体的空间干系失真，这是行业里真的每一代视频模子都栽过的坑。

一支粉笔被正确合手持，在黑板上留住有益旨的字迹，手腕的力谈、落笔的角度，都在合理的限度内。

这一关，比画一只闲居的手还要难，因为手在这里还要和黑板、粉笔、书写行为，酿成无缺的空间逻辑。

第三，时序对了。

这是最被低估的一件事。

西宾写下某个推导表率的同期，理论训诫的恰是这个表率，板书程度与语音现实保持同步。

这不仅仅音视频的帧级对皆（frame-level alignment），而是视觉事件、语义事件、时间事件三者之间的跨模态相助。

任何一个维度的交融出现偏差，成果就会是\"手在写A，嘴在讲C\"。

这种错位，东谈主类不雅众一眼就能感知到。

要是这三件事仅仅分袂作念到，咱们不错觉得是三个专项模块拼在一齐的成果。

但三者同期建树、彼此相助，更可能是模子在某个表征层面上，也曾对\"西宾在黑板上授课\"这件事酿成了举座性的语义交融。

换句话说，它知谈这件事在现实寰球里是什么阵势，知谈其中各个元素之间的敛迹干系。

这亦然为什么\"寰球模子\"这个词，会在这条视频流出后初始被平凡说起。

在黑板视频流出的同期，还有另一条视频一齐曝光：两名男士在海边高级餐厅吃意大利面。

这个场景的聘请，不是随即的。

2024年，一段AI生成的\"Will Smith吃意大利面\"视频在网上疯传。

画面里的手指数目不合，2026世界杯赛事竞猜中国官网面条像活物一样扭动，叉子和嘴的空间干系竣工失控。

那段视频成了早期AI视频生成才气的玷污柱。

图为\"Will Smith吃意大利面\"视频截图

而这一次，Gemini Omni生成的成果，有用户批驳是\"令东谈主难以置信地真的\"。

这背后老到的，是模子对刚体与柔性体之间动态交互的建模才气：

叉子是硬的，面条是软的，两者在战斗时会产生形变，而形变的方式必须适合现实寰球里的物理直观。

这恰是早期生成模子在隐式物理模拟（implicit physics simulation）上的致命短板。

一个模子，在两条视频里，分袂遭遇了视频生成最难的两类问题：

一类是符号、语音与画面的同步，另一类是东谈主与物体、刚体与柔性体的交互，并把这些问题激动到一个更可用的气象。

Gemini Omni展示的，更像是一个对寰球有着更深交融的基座模子。

Gemini Omni的冲击

适度面前，Google还莫得发布Gemini Omni的任何手艺文档，也莫得公开任何模子参数或基准测试数据。

但对于Gemini Omni的架构，面前外界存在三种解读。

最保守的说法是，Omni仅仅Veo的品牌重定名，底层推理引擎莫得根蒂变化；

第二种说法是，Omni是在Gemini架构下再行历练的全新视频模子，与Veo并行但孤独；

第三种说法最激进，觉得Omni是一个信得过意旨上的原生多模态合股模子，在单一架构里原生处理笔墨、图像、视频和音频。

基于以上两段视频的透露，第三种解读反而像是\"Omni\"这个定名最合理的指向，毕竟在拉丁语中，\"omnis\"意味着通盘。

要是Omni信得过买通了多模态链路，模子竞争的焦点就会发生根人性的鼎新。

不再是谁能拍出更像电影的画面，而是谁是现实创作家的独一盘算地。

天然面前还不可说Gemini Omni也曾是寰球模子，但它至少证明，视频生成正在贴晚寰球模子要贬责的问题：

如安在时间中保管一个可解释、可编订、可纠合推演的场景。

产物层面的冲击相似阻遏冷漠。

今天一条AI视频的分娩链路，平凡需要串联谈话模子写剧本、图像模子作念故事板、视频模子作念动画渲染、再加外部裁剪软件作念后期处理。

每一次跨器用切换，都意味着信息损耗和立场漂移。

一朝Gemini Omni对话式视频编订建树，这条链路就可能被一个对话窗口替代了。

更要害的是，要是Omni被放入Gemini进口，并与Gmail、Google Docs、YouTube、Android深度买通，这是字节Seedance、快手Kling在分发层面根蒂无法复制的生态上风。

手艺才气决定上限，生态决定例模。

Gemini Omni信得过的抑止，省略不在于它今天生成的视频有多好，而在于它把视频生成才气放在了一个竞争敌手根蒂进不去的处所，后者对前者真的组成降维打击。

寰球模子时刻省略降临

畴前几年，生成式AI的进化旅途相对显着。

谈话模子学会了读和写，图像模子学会了看和画，视频模子学会了动。

每一个模态都在我方的赛谈上快速迭代，但它们之间弥远存在一谈隐形的墙。

模子知谈笔墨，也知谈图像，但它不睬解笔墨和图像之间、声息和当作之间、逻辑和画面之间的敛迹干系。

要是说ChatGPT时刻界说了谈话的领域，Sora时刻界说了视频的领域，那Gemini Omni指向的，很可能是第一个信得过意旨上的\"寰球模子时刻\"。

模子第一次初始交融，模态与模态之间在现实寰球里的敛迹干系，而不仅仅分袂生成它们。

这是一次质的飞跃。

天然，Gemini Omni是否信得过结束了这少量，在5月19日Google I/O 2026大会之前，莫得东谈主能给出服气的谜底。

但泄走漏来的视频，给出的信号也曾弥散有劲。

接下来Google会在台上说什么，咱们很快就会知谈。