据博客园、新浪科技7月28日报道，谷歌在2026 I/O开发者大会重磅发布Gemini Omni，DeepMind CEO Demis Hassabis亲自登台介绍规格。Gemini Omni被定位为”世界模型”，一个支持”任何输入到任何输出”的全能多模态模型。
Gemini Omni支持图片、音频、视频、文字的任意组合输入，并可生成高质量视频内容。最关键的功能突破是支持自然语言对话式视频编辑，用户上传一段骑行视频并说”把背景换成雪地”，模型即可精准完成背景替换。
Gemini Omni定价策略延续谷歌”智能便宜”路线，API定价较GPT-5.6 Sol版降低70%。谷歌同步发布Gemini 3.5 Pro、Gemini 3.5 Flash、Gemini 3.5 Flash-Lite三档分层模型，覆盖从深度推理到端侧部署的全场景。业内人士分析，Gemini Omni代表多模态大模型从”理解世界”走向”创造世界”的关键跃迁。
谷歌Gemini Omni的「世界模型」定位被业界视为多模态AI的下一个里程碑。DeepMind CEO Demis Hassabis在演讲中表示，世界模型不仅能理解世界，更能创造世界，这是AI从感知智能走向认知智能的关键标志。Gemini Omni通过原生多模态架构，将文本、图像、视频、音频的编码统一到同一向量空间，消除了传统多模态模型的模态对齐损耗。
商业化层面，谷歌同步发布Gemini 3.5系列三档分层模型：Pro版定价为输入3美元/百万tokens、输出12美元/百万tokens，Flash版定价为输入0.3美元/百万tokens、输出1.2美元/百万tokens，Flash-Lite版定价为输入0.03美元/百万tokens、输出0.12美元/百万tokens。整体定价较GPT-5.6 Sol版降低70%，延续谷歌「智能便宜」路线。Gemini Omni API将于8月15日开放公测，企业客户可通过Vertex AI平台申请接入。
Gemini Omni的世界模型能力在多项评测中得到验证。在视频理解基准VideoMME上，Gemini Omni以87.6%准确率刷新SOTA；在多模态推理基准MMMU-Pro上得分82.4%，领先GPT-5.6 Sol版3.2个百分点。谷歌同步发布Gemini Omni Studio创作工具套件，支持视频编辑、图像生成、音乐创作等多模态内容生产，与Adobe、Canva等创意软件形成正面竞争。
