谷歌GeminiOmni模型真的跨越世界模型门槛了？

GeminiOmni模型引发关注

惊艳视频流出

GoogleI/O2026开幕前夕，未发布的新视频模型GeminiOmni生成的两条视频流出。一条是教授推导三角恒等式，另一条是男士在餐厅吃意大利面。视频在Reddit和X上引发热议，评论区满是惊叹，大家纷纷表示这不可能是现有技术水平。

现有模型难以企及

当前视频生成模型存在诸多局限，而GeminiOmni却展现出非凡能力。在教授讲课视频中，它做到了推理正确，证明过程符合数学逻辑；空间关系正确，手部动作自然，板书清晰；时序也正确，讲解与板书同步，这是现有模型很难同时达成的。

GeminiOmni的突出表现

强大的符号推理能力

GeminiOmni在“教授黑板讲课”视频中展示出符号推理能力，能生成数学意义上有效的推导，而非简单堆砌符号。这意味着它在token预测之外，还能理解数学逻辑，知道下一步该出现什么公式。

精准的空间关系把握

在视频中，粉笔书写时的手部和手臂动作自然，与黑板、粉笔、书写行为形成完整空间逻辑。这体现了GeminiOmni对物体空间关系的精准把握，克服了手部动作穿帮这一常见难题。

出色的跨模态协调

教授讲解与板书进度同步，实现了视觉、语义、时间事件的跨模态协调。这表明GeminiOmni可能在某个表征层面，对“教授在黑板上讲课”形成了整体性语义理解。

引发的行业思考与猜测

改变竞争焦点

若GeminiOmni打通多模态链路，将改变模型竞争焦点。它能把文字、图像、视频、音频放进同一套逻辑，压缩内容创作流程，使统一多模态模型的价值超过单一视频模型。

产品层面的冲击

一旦GeminiOmni放进谷歌自家生态，文档、邮箱、视频、安卓等场景将自然接入，放大分发优势。这可能会给现有产品格局带来冲击，引发各方关注。

是演示还是最终产品

有人认为这可能只是一次高质量演示，而非最终产品。视频生成最怕的是不能长期稳定输出，做出一个片段不代表能做出整套可控工作流供所有用户使用，后续仍需关注其能否持续保持高水平表现。

相关问答

GeminiOmni生成的视频为何令人震惊？

教授推导三角恒等式和男士吃意大利面的视频，展示出推理、空间关系及时序的正确性，远超现有模型，让技术圈侧目。

GeminiOmni在“教授黑板讲课”视频中做到了什么？

它做到了推理正确，证明过程符合数学逻辑；空间关系正确，手部动作自然板书清晰；时序正确，讲解与板书同步。

GeminiOmni展示的符号推理能力意味着什么？

意味着它在token预测之外，还能理解数学逻辑，知道下一步该出现什么公式，而非随机采样符号。

为什么说GeminiOmni可能改变模型竞争焦点？

若打通多模态链路，能将多种模态放进同一逻辑，压缩创作流程，提升统一多模态模型价值。

对于GeminiOmni是最终产品还是演示有哪些观点？

有人认为可能是高质量演示，因为做出片段不代表能有持续稳定输出及完整可控工作流。