文 | 全国模子工厂
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，所有这个词酬酢媒体都炸翻了。
一条视频是一位磨真金不怕火站在黑板前，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，称心地吃意大利面。
Reddit和X的接洽区，威望汹汹的都是并吞句话：\"这不可能是现存的技巧水平。\"
两个看似普通的日常场景，为什么让见惯了AI生成实质的技巧圈集体祛除？
令东谈主战栗的视频
先说“磨真金不怕火黑板授课”视频，生成它只用了一条prompt：
\"一位磨真金不怕火在传统黑板上写出三角恒等式的数学阐发，同期用言语解释他刻下正在推导的法度。\"
一条教导，莫得多轮对话，莫得分法度限度。
出来的效果是，磨真金不怕火手持粉笔，迟缓写下公式，同期启齿素养，画面运动，板书工致。
听起来好像平平无奇。
但若是你了解刻下视频生成模子的技巧规模在何处，就会显着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。
黑板上的阐发经过在数学上是确立的，不是视觉上长得像公式的标志堆砌，而是数学兴致上确实有用的推导。
要作念到这极少，模子至少要在token量度以外，具备一定的标志推理才调（symbolic reasoning）。
即知谈下一步应该出现什么公式，而不是当场采样一个看起来像数学的图案。
语义准确性重复在视觉生成之上，恰是大多半视频模子会在这类测试中失败的原因。
第二，空间连系对了。
评测者形容，粉笔书写时的手部和手臂作为\"读起来是天然的\"，黑板上的方程式了了可辨。
手部，是AI视频生成里公认最容易穿帮的场地。
手指数目非常、枢纽误解、与物体的空间连系失真，这是行业里险些每一代视频模子都栽过的坑。
一支粉笔被正确持持，在黑板上留住挑升想的字迹，手腕的力谈、落笔的角度，都在合理的鸿沟内。
这一关，比画一只正常的手还要难，因为手在这里还要和黑板、粉笔、书写行径，变成完满的空间逻辑。
第三，时序对了。
这是最被低估的一件事。
磨真金不怕火写下某个推导法度的同期，理论素养的恰是这个法度，板书进程与语音实质保持同步。
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、时辰事件三者之间的跨模态联结。
任何一个维度的领略出现偏差，效果就会是\"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。
若是这三件事仅仅分离作念到，咱们不错合计是三个专项模块拼在通盘的效果。
但三者同期确立、互相联结，更可能是模子在某个表征层面上，照旧对\"磨真金不怕火在黑板上授课\"这件事变成了举座性的语义领略。
换句话说，它知谈这件事在执行全国里是什么形势，知谈其中各个元素之间的经管连系。
这亦然为什么\"全国模子\"这个词，会在这条视频流出后初始被频频说起。
在黑板视频流出的同期，还有另一条视频通盘曝光：两名男士在海边高级餐厅吃意大利面。
这个场景的接受，不是当场的。
2024年，一段AI生成的\"Will Smith吃意大利面\"视频在网上疯传。
画面里的手指数目分歧，2026美加墨世界杯中国认证平台面条像活物一样扭动，叉子和嘴的空间连系实足失控。
那段视频成了早期AI视频生成才调的羞耻柱。
图为\"Will Smith吃意大利面\"视频截图
而这一次，Gemini Omni生成的效果，有用户接洽是\"令东谈主难以置信地确实\"。
这背后考验的，是模子对刚体与柔性体之间动态交互的建模才调：
叉子是硬的，面条是软的，两者在斗争时会产生形变，而形变的理论必须合适执行全国里的物理直观。
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，分离遭遇了视频生成最难的两类问题：
一类是标志、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景色。
Gemini Omni展示的，更像是一个对全国有着更深领略的基座模子。
OD体育(ODSports)官网入口Gemini Omni的冲击
遣散咫尺，Google还莫得发布Gemini Omni的任何技巧文档，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，咫尺外界存在三种解读。
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底变化；
第二种说法是，Omni是在Gemini架构下重新考研的全新视频模子，与Veo并行但稳重；
第三种说法最激进，合计Omni是一个确实兴致上的原生多模态合资模子，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发达，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\"意味着所有这个词。
若是Omni确实买通了多模态链路，模子竞争的焦点就会发生根人道的滚动。
不再是谁能拍出更像电影的画面，而是谁是实质创作家的独一指标地。
诚然当今还弗成说Gemini Omni照旧是全国模子，但它至少阐发，视频生成正在靠晚全国模子要措置的问题：
如安在时辰中守护一个可解释、可编著、可麇集推演的场景。
家具层面的冲击一样箝制淡薄。
今天一条AI视频的坐褥链路，宽泛需要串联言语模子写剧本、图像模子作念故事板、视频模子作念动画渲染、再加外部编著软件作念后期处理。
每一次跨用具切换，都意味着信息损耗和格调漂移。
一朝Gemini Omni对话式视频编著确立，这条链路就可能被一个对话窗口替代了。
更枢纽的是，若是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在分发层面根底无法复制的生态上风。
技巧才调决定上限，生态决定例模。
Gemini Omni确实的威迫，大要不在于它今天生成的视频有多好，而在于它把视频生成才调放在了一个竞争敌手根底进不去的场地，后者对前者险些组成降维打击。
全国模子时刻大要驾临
往日几年，生成式AI的进化旅途相对了了。
言语模子学会了读和写，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，但它们之间历久存在一谈隐形的墙。
模子知谈笔墨，也知谈图像，但它不睬解笔墨和图像之间、声息和作为之间、逻辑和画面之间的经管连系。
若是说ChatGPT时刻界说了言语的规模，Sora时刻界说了视频的规模，那Gemini Omni指向的，很可能是第一个确实兴致上的\"全国模子时刻\"。
模子第一次初始领略，模态与模态之间在执行全国里的经管连系，而不仅仅分离生成它们。
这是一次质的飞跃。
天然，Gemini Omni是否确实收尾了这极少，在5月19日Google I/O 2026大会之前，莫得东谈主能给出详情的谜底。
但泄涌现来的视频，给出的信号照旧满盈有劲。
接下来Google会在台上说什么，咱们很快就会知谈。