Google AI Releases Gemini Omni 1.1 Flash: 40-Second Scene Extension, First/Last Frame Control, and 4K Upscaling
Google AI 正式發表 Gemini Omni 1.1 Flash：40 秒場景延伸、首末幀控制與 4K 解析度放大全面升級 Google 今日正式推出生成式多模態影片模型的最新生產版本 Gemini Omni 1.1 Flash。這是一次針對原生多模態影片生成與編輯能力的正式更新，鎖定創作者在實際影音產製過程中的關鍵痛點，從場景延展、畫面精準控制到高解析度輸出皆有所著墨，為 AI 影片生成工具樹立了新的應用標竿。此次更新並非僅止於效能層面的微調，而是將重心放在影片創作流程的實用性升級。Gemini Omni 1.
1 Flash 延續了 Google 一貫的原生多模態架構思維，並非只是單純的影片生成器，而是能夠同時理解並處理文字、影像與影片三種資料型態的整合式引擎。這也意味著使用者得以在同一個工作流程中，自然地進行跨格式的指令切換與素材融合，大幅降低過去必須在不同工具間來回切換所造成的效率損失與溝通落差。在這次備受矚目的功能清單中，場景延伸能力無疑是最大的亮點。透過 Gemini Omni 1.1 Flash，創作者可以鎖定一段既有的影片素材，讓模型自動生成後續的連貫內容，將原本片段的情節一舉延長至 40 秒。
這項能力的突破點在於時長的顯著提升，過去許多模型在執行延伸時，往往只能產出短短數秒且容易產生斷裂感的過場，導致敘事節奏被迫中斷。如今，40 秒的延伸長度讓 AI 影片從過去的單一「鏡頭」層級，開始具備建構完整「場景」的潛力。對於需要鋪陳情緒、交代事件來龍去脈或進行轉場設計的使用者而言，這無疑是相當實際的進展，也讓 AI 生成影片的完整性提升到了新的層次。與此同時，新版本加入了對首幀與末幀的明確控制功能。這項設計讓使用者不再只是被動地接受 AI 隨機生成的結果，而是能夠在生成開始前，先指定影片的起點與終點畫面，要求模型在兩張確認過的圖片之間，填補符合物理邏輯與視覺慣性的動態過程。
首幀與末幀控制在影視製作流程中有著舉足輕重的地位。透過設定明確的關鍵幀，創作者可以在生成前就先規劃好視覺的起承轉合，確保最終定格的畫面能精準呼應客戶需求或隱含的敘事意圖。對於強調「精準」的商業專案而言，這項功能賦予了導演與剪輯師以往難以想像的敘事主導權，能更有效地掌握影片節奏與視覺的連貫性。因應現今高標準的影像放映與輸出規格，Gemini Omni 1.1 Flash 也正式導入 4K 解析度放大功能。過往 AI 生成影片常因原生解析度不足，一旦放大檢視便容易出現細節模糊或破綻，往往無法滿足嚴苛的商業放映規格。
透過內建的 4K 放大機制，生成的影片內容現在可以進一步補足高畫質所需的細節層次，無論是投放於大型數位看板、串流平台或專業的公開簡報場合，都能呈現更為精細的畫質表現。這項升級補足了高畫質輸出的關鍵缺口，也大幅縮短了「概念快速驗證」與「最終成品輸出」之間的距離。過去創作者必須先以低解析度影片確認構圖與運鏡，再交由後期軟體進行繁瑣的放大修飾；現在則可以在生成階段就鎖定高規格的目標，讓整個工作流程更加一氣呵成。綜合上述功能，Gemini Omni 1.1 Flash 明顯將目標市場鎖定在廣告創意、社群短片製作以及專業影像的前期提案流程。
在廣告提案階段，創意團隊可以快速生成高畫質的影片草圖，透過首末幀的設定確認分鏡邏輯，再以場景延伸功能補足所需的秒數細節。如此一來，客戶在投入大量預算進行實拍前，就能透過 AI 生成的畫面明確想像最終成果的樣貌，進而降低溝通成本與決策風險。作為一項專為生產環境所設計的版本更新，Gemini Omni 1.1 Flash 並未單純追求某一方面的極致表現，而是試圖在生成品質與操作彈性之間取得平衡。它保留了 Google 模型在語意理解上的優勢，並透過更深度的控制參數，讓創作者能夠在自由嘗試與精準掌控之間自由切換，充分滿足不同類型專案的需求。
在實際的工作流程中，使用者可以仰賴模型的多模態整合特性，先以文字撰寫腳本，再以參考影像定義整體視覺風格，最後透過多段影片的串接與延伸完成剪輯邏輯。所有步驟皆能在統一的環境下順利完成，有效降低因轉檔、軟體切換或格式不相容所產生的摩擦，讓文字、影像與影片之間的跨形式生成與編輯流程更加順暢。綜合來看，Gemini Omni 1.1 Flash 的推出，顯示 Google 正將 AI 影片技術從純粹的技術展示，逐步推向可落地、可獲利的商業應用場域。
透過 40 秒場景延伸、首末幀控制與 4K 解析度放大這三大重要更新，新版本不僅強化了最終的輸出規格，更賦予創作者在敘事主導權上的顯著升級，預期將對專業影像內容的生產模式與創意發想流程帶來深遠的影響。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。