具备任意输入输出能力的多模态大模型
据最新消息，今日凌晨，谷歌正式发布旗舰级多模态大模型 Gemini Omni，宣称具备“任意输入、任意输出”的核心能力，目标是实现文本、图像、音频、视频等多模态信息的互相理解与自由生成。
Gemini Omni 以谷歌长期积累的世界模型 Genie、图像模型 Nano Banana、视频模型 Veo 为支撑，构建了完整的全模态 AI 框架，为跨模态协作提供基础。
该模型支持多样化的混合输入，用户可将手绘草图、文字描述、图片素材、音频、视频等任意形式内容输入系统，系统将解析信息关系、模拟现实物理规律，最终实现高精度、符合现实逻辑的文本、图像、音频、视频等多模态输出的互理解与生成。
此次发布的亮点在于对话式实时编辑能力。与传统 AI 生成工具一次性输出、后续修改困难的痛点不同，Gemini Omni 支持在生成过程中的交互式迭代优化。用户在初始内容生成后，可以通过自然语言对话精准调整画面细节，例如替换视频场景、修改物体材质、调整动态特效，且修改并不会破坏画面原有的整体逻辑与物理效果。
在发布会现场的演示中，工作人员仅凭手绘的简易图形与文字指令，便生成了带有物理碰撞效果的完整特效视频，直观展现了模型的强大创作能力。
