Google Gemini Omni Flash发布：首个支持视频输出的多模态模型

改写多模态规则的Omni Flash

2026年6月30日，Google发布了Gemini Omni Flash预览版，这是首个支持视频输出的商用大模型。根据benchr.org的数据，该模型拥有1,048,576 Token的上下文窗口，可同时处理文本、图像、视频和音频四种输入模态，并能生成文本和最长30秒的视频片段作为输出。

定价方面，Gemini Omni Flash的输入价格为$1.50/百万Token，文本输出$9/百万Token，视频输出$17.50/百万Token。这一价格水平在同类多模态模型中具有显著竞争力。

同日发布：Gemma 4 12B开源

与Omni Flash同日发布的还有Gemma 4 12B，这是Google的开源轻量级多模态模型，支持原生音频输入，可在普通终端设备上运行。Gemma 4 12B的发布将多模态AI的开发门槛大幅降低，开发者可以在笔记本电脑上完成模型微调和部署。

行业影响

Google同期发布的还有Gemini 3.1 Flash Lite Image（内部代号Nano Banana 2 Lite），定价低至输入$0.25/百万Token，图像输出$30/百万Token。CSDN的一篇前沿总结文章指出，Google正在构建从旗舰到边缘的全场景多模态模型矩阵，意图在2026年下半年的多模态竞赛中确立领先地位。