4K у Gemini Omni 1.1 Flash — это апскейл. И всё равно на 41% дешевле здесь

Мы собирались провести очевидный тест, и он развалился на первом же шаге — что и оказалось более интересным результатом.

План был обычный: один prompt, один зафиксированный seed, два разрешения, потом оба стоп-кадра открыты пиксель в пиксель, чтобы увидеть, что добавляет верхняя ступень. Вернулись два разных фильма. Тот же текст prompt, тот же seed — и латунная лупа, лежащая внизу слева от центра кадра в дубле 720p, в дубле 4K лежит справа и дальше вглубь. Плошки с пигментом расставлены иначе, и их больше: на пятой с половиной секунде дубля 720p в кадре семь наполненных плошек против пяти в дубле 4K. Полотно из свёрнутого рулона в глубине превращается в широко расстеленное справа.

Стоит сказать прямо, потому что советы по prompting предполагают обратное: seed воспроизводит план внутри одного разрешения, а не между разрешениями. Смените ступень — и вы заказали новый дубль, а не увеличенный отпечаток того, что у вас было. Всем, кто планирует черновики дёшево, а финал дорого на одном seed, стоит прочитать это дважды.

Поэтому сравнение пришлось строить на одном сданном файле. Берём один кадр 4K, уменьшаем до 1920 на 1080, увеличиваем обратно до 3840 на 2160. Всё, что мог бы донести мастер 1080p, эту поездку переживает; всё, что тоньше того, что способен представить 1080p, — нет. Сравните round trip с нативным — и разница будет ровно тем, что верхняя ступень реально выдаёт сверх 1080p.

Контроль здесь важнее самого измерения, потому что зерно H.264 живёт ровно в той полосе, которую мы меряем. Поэтому тест шёл по двум видам областей: фактурным, где настоящая детализация может жить, и плоским расфокусированным, которые её не держат. Плоские области и дают уровень шума.

Избыток на фактуре явно выше уровня шума, так что сданный 4K несёт настоящую структуру сверх того, что мог удержать 1080p, — не одно только зерно. Но прочитайте его величину: примерно втрое выше этого уровня против девятикратного числа пикселей. И поскольку шум компрессии смещает измерение в сторону нахождения детали, считайте это потолком, а не оценкой.

Три размеченных вручную фрагмента — тонкое основание для такого вывода, поэтому мы дополнительно провели то же окно в 512 пикселей по всему кадру с шагом 128 пикселей и разделили результаты по тому, сколько фактуры на самом деле держит каждый фрагмент. Тринадцать самых плоских укладываются между 1.08x и 1.35x, одиннадцать самых фактурных — между 2.86x и 3.86x. Этот разрыв — свойство кадра, а не того, куда мы поставили рамки.

Та же область в 512 пикселей того же кадра — кадр 96, на четвёртой секунде, в пикселе (2944, 1152), — значит, разница между ними и есть всё то, что верхняя ступень добавляет к мастеру 1080p. Второй — это round trip, а не рендер в 1080p, и подписывать его так мы не станем.

И если эти два кадра кажутся вам почти одинаковыми, это верное прочтение, а не провал иллюстрации. Они различаются самое большее на 9 значений из 255, в среднем на 0.82, при PSNR 47.1 дБ. И пример этот не смягчённый: тот фрагмент — самый фактурный квадрат 512 пикселей во всём кадре. Отношение 3.62x в высокочастотной полосе — настоящий результат, но это втрое больше величины, которая никогда не была большой: этот материал мягкий от начала до конца. То, что верхняя ступень добавляет здесь, спектр разделить может, а глаз по большей части нет.

Методологическое замечание для тех, кто станет это повторять: high-frequency energy — это доля радиально усреднённого power spectrum выше предела Nyquist для 1080p, что для фрагмента в 512 пикселей из кадра 4K соответствует бину радиуса 128. Round trip — это ffmpeg -vf "scale=1920:1080,scale=3840:2160" с бикубикой по умолчанию, применённая ко всему кадру до того, как из него вырезаются фрагменты.

Laplacian variance, обычный быстрый прокси для резкости, — инструмент более грубый: она ставит фактурный фрагмент на 1.70x против 1.36x и 1.07x на плоских, тогда как спектральная мера даёт 3.62x против 1.10x и 1.15x. Разделить она их разделяет, но с запасом, достаточно малым, чтобы его оспорили, — потому что считает шум компрессии заодно с деталью.

Две проверки на вменяемость файла — верхнюю ступень легко подделать. ffprobe показывает настоящие 3840 на 2160 при битрейте файла 25 583 339 бит/с — это в 8.84 раза больше, чем у дубля 720p по тому же prompt, против пиксельного отношения 9.00. Оголодавший поток в UHD-обёртке вам никто не подсовывает. И он отмеряет ровно 24 fps, 192 кадра за 8.000 секунды: число, которое ходит по сторонней документации по схеме, а не по чему-либо опубликованному Google, и подтверждённое здесь на нашем собственном выводе.

Так что честный ответ — ни один из двух, которые обычно слышишь. Верхняя ступень — это не переименованный файл 1080p, и это не вчетверо больше картинки. Девятикратное число пикселей покупает нечто ближе к трёхкратной структуре — и поэтому вопрос о её цене стоит задавать аккуратно.

Что делает слово «upscaled» в этих скобках

Справочник по модели Google дописывает это слово к двум верхним ступеням, дословно: «1080p output (upscaled)» и «4K output (upscaled)». Генерация идёт на каком-то более низком внутреннем raster, и результат масштабируется на выходе — значит, какую бы структуру ни несла верхняя ступень, её туда положило масштабирование, а не разрешил рендерер. Внутреннее разрешение Google не публикует, так что и тот, кто называет вам коэффициент увеличения, его не знает.

Два следствия. Плохой дубль не выкупить на кассе: изъян лежит выше по потоку, чем масштабирование, а upscaler, готовый выдумать правдоподобную фактуру, не выдумает правильную. Но «просто увеличу локально» звучит сильнее, чем есть на самом деле: масштабирование модели идёт до кодирования на сдачу, ваше — после, по файлу, в который квантование уже запечено.

Пять задач, где размеры и есть предмет сдачи

Вот что честное раскрытие обычно хоронит: детализация — одна из причин хотеть большой raster, и в продакшне не самая частая.

Спецификация сдачи, называющая raster. Вещатели и агентства пишут требования как размеры, а автоматический QC читает заголовок. Файл 1920 на 1080 под спецификацию UHD отклоняется раньше, чем его увидит человек. Там никто не меряет передаточную функцию модуляции — там меряют файл.

Архивный мастер. Храните самую крупную версию, которую вы когда-либо сгенерировали: модель однажды выведут из обращения, а результат с seed выше показывает, что перезапустить prompt и получить тот же клип обратно не выйдет. Сдаточные версии делают из мастера вниз, никогда вверх.

Запас на перекадрирование и укрупнение. Самый сильный практический аргумент, и он арифметический. Omni предлагает два соотношения сторон и никаких больше, 16:9 и 9:16, так что всё квадратное или 4:5 — это кроп. Центральный кроп 9:16 из кадра 1080p имеет ширину 608 пикселей, и вертикальная сдача шириной 1080 означает повторное увеличение уже сжатого файла. Тот же кроп из UHD — 1215 в ширину, и вы уменьшаете, попадая в спецификацию. С укрупнениями так же: перекадрирование 1.5× на UHD всё ещё отдаёт вам нативные 1920 на 1080, тогда как источник 1080p оставляет 1280 на 720.

Крупноформатный показ. На LED-стене или панели DOOH шаг пикселя задаёт файл, который вы отдаёте, и растянутый на весь размер источник 1080p заметно мылит так, как никогда не мылит во встройке в браузере.

Пластины для композитинга и VFX. Трекеры и кеиры работают по пикселям, и вчетверо большее их число стабилизирует planar-решение даже тогда, когда они пришли из увеличения, а не с сенсора. Финалите вы к тому же в спецификации сдачи, так что пластина должна быть там уже заранее.

Ни одна из пяти не про то, чтобы картинка выглядела лучше. Все пять — про то, чтобы файл был нужного размера для того, что случится дальше.

И три, где вы платите за изменение размера

Вертикальные соцсети. Каждая крупная платформа перекодирует на загрузке, и большинство ограничивает длинную сторону заметно ниже UHD — вы платите по ставке верхней ступени за пиксели, выброшенные на приёме, ещё до того, как пост увидит зритель.

Встройка на сайт. Клип в колонке статьи играет от силы в 800 пикселей шириной. Источник UHD стоит вам денег на генерации и Largest Contentful Paint на выдаче, редкий двойной проигрыш.

Внутренние приёмочные прогоны. Утверждение движения камеры — это суждение о форме и движении, оно выносится двумя ступенями ниже за долю денег.

Раздел про цену, который и есть настоящий аргумент

Верхняя ступень по всем провайдерам, публикующим вызываемую посекундную ставку, снято 29 августа 2026 года.

Против собственной ставки Google это на сорок один процент ниже — с большим отрывом крупнейший разрыв из четырёх ступеней. Ступенью ниже, на 1080p, разброс сужается до одиннадцати процентов, $0.135 против $0.1520, а ещё ниже поле сходится настолько, что абзаца не стоит.

Replicate отсутствует по причине, которую стоит назвать, а не замазать: он несёт модель и не публикует посекундной ставки ни на одном разрешении. Мы искали цифру для 4K — цитировать нечего.

Разрыв расширяется наверху не из-за поведения маржи, а из-за формы лестницы, и обе формы публичны. Нормируйте каждого провайдера на его собственную секунду 720p — и на трёх ступенях они совпадают: треть на черновой ступени, единица в середине, полторы на 1080p. Расходятся они на четвёртой — Google берёт втрое больше своей секунды 720p, мы берём вдвое больше своей. Каждый доллар из сорока одного процента выходит из этого одного шага.

Разложите это по длительностям, которые вы закажете:

Держитесь за последнюю строку, если считаете бюджет кампании. Сорокасекундная последовательность UHD — это четыре отдельно тарифицируемых задания у любого провайдера, и колонки расходятся почти на пять долларов на одной последовательности — ещё до выброшенных дублей, каждый из которых умножает разрыв.

Обе колонки покупают одни и те же веса, тот же нативный звук, тот же водяной знак SynthID в каждом кадре. Ничто в этом сорок одном проценте не является разменом на качество — и ничто в нём не утверждает, что это вообще самый дешёвый способ делать видео, чем он обычно не является.

Что меняется в prompt, когда вы уходите в 4K

Почти ничего — и вот это „почти“ и есть самое интересное.

Разрешение — это параметр API, и вписанное в текст «4K» ступень не выбирает. Прилагательные про детализацию адресованы не той стадии: увеличение идёт после генерации и ваш prompt не читает никогда. Оно действительно выдумывает отсчёты, как показывает измерение выше, — просто ни в каком направлении, которым правят ваши слова.

До рендерера доходят оптика и свет, и свет, как выясняется, работает за двоих. Скользящий источник строит высококонтрастные границы, а высококонтрастные границы — это ровно то, что переживает увеличение, сохраняет их upscaler или реконструирует. Свет, поставленный на фактуру, — самое близкое к тому, чтобы писать prompt под ступень.

Вот один и тот же бриф, написанный двумя способами. Сначала так, как пишут, гоняясь за разрешением:

4K ultra detailed cinematic shot of a museum conservation bench, 8K,
hyper realistic, insanely sharp, maximum detail, best quality, intricate
textures, razor sharp focus, highly detailed surfaces, photorealistic
masterpiece, professional cinematography, award winning, unreal engine
render, ray tracing, ultra HD, crisp edges, no blur, extreme detail on
every surface, cinematic lighting, beautiful composition, trending.

Прочитайте, что здесь предписано. Склейки нигде не запрещены, значит, модель вольна построить маленький нарратив — её задокументированный дефолт. Свет не поставлен, объектив не назван, скорость камеры не задана, а «unreal engine» указывает на игровой рендер, а не на фотографию. Двадцать два прилагательных, и ни одно из них не инструкция, которую рендерер может исполнить.

А вот prompt, который мы действительно запустили, — тот, что дал клип ниже, кропы выше и каждое число в этом посте:

Slow lateral pan, 50mm lens on a motorized slider, moving right to left
at a steady crawl across a museum conservation bench. The frame passes
over an unrolled length of raw linen, a brass magnifier resting on its
side, and a scatter of dry pigment powder in small glass dishes - ochre,
ultramarine, deep charcoal - then settles on the corner of an oil
painting where fine craquelure spiders across the varnish. Hard
low-angle tungsten light from the left rakes over every surface so the
linen weave, the dust and the cracked glaze all read as texture. Focus
stays locked on the bench plane throughout and nothing moves except the
camera. Sound: the faint whir of the slider motor and a room's worth of
quiet.

Восемь секунд в 4K, то есть $1.44. Заметьте, где сделана работа: один жёсткий нижний источник, скользящий по верстаку, так что и переплетение, и пыль, и кракелюр читаются как фактура. Это предложение сделало больше, чем двадцать два прилагательных, и именно поэтому round trip вообще было что найти.

Одно продакшн-замечание. Этот prompt был отклонён при первой подаче с It seems there was an issue with the input you provided и прошёл на повторе после смены двух слов — выброшен кусок операторского жаргона, переименован один пигмент. На длинных prompt одно-единственное слово способно завалить запрос, и ошибка не скажет, какое.

Где верхняя ступень всё равно не поможет

Вокруг работы именно в 4K сидят четыре ограничения. Соотношение сторон остаётся 16:9 или 9:16, так что квадратные и 4:5 сдачи приходят из кропа, за какую ступень ни плати. Каждый кадр несёт водяной знак SynthID, и выключателя нет нигде. Нет режима нативного 4K, на который можно эскалировать, и нет управления upscaler. А генерация по-прежнему упирается в десять секунд, так что более длинный мастер UHD — это цепочка продлений, где каждое неудачное звено теперь стоит $1.80 вместо $1.35.

И закрывающая оговорка на весь пост: ничто из этого не делает Omni правильной моделью для одного клипа в 4K. Veo 3.1 Fast идёт по центу за секунду на том же ключе. Для одного плана, от которого ничего не зависит, восемнадцатикратная кратность неоправданна, как бы хорошо ни выглядела ставка на 4K.

Черновик дёшево, сдача крупно

Итерируйте дёшево и повышайте одного победителя: десять проходов в 360p плюс один финал — это $1.728 против $5.40 за десять в 1080p. Пост про 40 секунд разбирает это как следует.

UHD добавляет оговорку, а не шаг. Черновики по $0.0297 за секунду — сколько угодно, но результат с seed выше означает, что победитель это ориентир, а не превью: дубль, который вы сдадите, будет другим. Пусть ступень выбирает спецификация сдачи, а не та ступень, в которой вы черновали.

Цифры по каждой возможности лежат в машиночитаемой спецификации; сама модель — на text-to-video. Тарифы меняются — перед тем как тратить, сверьтесь со страницей каждого провайдера. Здесь охвачены провайдеры, публиковавшие вызываемую посекундную ставку 4K на 29 августа 2026 года.

Частые вопросы

Рендерит ли Gemini Omni 1.1 Flash 4K нативно?

Нет. Справочник по модели у Google указывает её как «4K output (upscaled)»: генерация идёт на более низком внутреннем raster, и кадр увеличивается перед сдачей, а это внутреннее разрешение не публикуется. Но при измерении против round trip через 1080p файл действительно держит настоящую структуру сверх того, что мог донести 1080p, — примерно втрое выше уровня шума на фактурных областях против девятикратного числа пикселей. Избыток настоящий, но ничего похожего на девятикратную картинку.

Сколько стоит 4K на Gemini Omni 1.1 Flash?

На E2X — $0.18 за секунду: $0.72 за четыре секунды, $1.44 за восемь, $1.80 за генерацию максимальной длины в десять секунд. Прямой вызов Google стоит $0.3041 за секунду, по его опубликованным счётчикам токенов. fal.ai указывает $0.30, Runware — $0.32, WaveSpeed — $0.39. Replicate не публикует посекундной ставки ни на одном разрешении.

Почему разница в цене между провайдерами максимальна на 4K?

Потому что различается множитель на верхней ступени, а не базовая ставка. Если взять 720p за 1×, лестница Google идёт как 0.33, 1, 1.5 и 3; наша — как 0.33, 1, 1.5 и 2. Они совпадают на трёх нижних ступенях и расходятся на четвёртой, где Google утраивает за апскейл, а мы удваиваем. Этот единственный шаг и есть весь сорок один процент.

Когда стоит платить по ставке 4K?

Когда требованием являются сами размеры: спецификация сдачи, называющая raster UHD и проверяемая автоматическим QC; архивный мастер, из которого резать будущие сдачи; запас на перекадрирование, поскольку Omni выдаёт только 16:9 и 9:16; крупноформатный или DOOH показ, где шаг панели задаёт источник; и пластины для композитинга, которым нужно число пикселей и которые обязаны финалиться в спецификации.

Когда не стоит рендерить в 4K?

Вертикальные соцсети, где платформы перекодируют на приёме и ограничивают длинную сторону заметно ниже UHD; встройки на сайт, играющие в несколько сотен пикселей шириной, где вес стоит вам не только денег, но и производительности страницы; и внутренние приёмочные прогоны — это суждения о форме и движении, которые можно вынести на черновой ступени за долю цены.

Улучшает ли результат «4K» или «ultra detailed», вписанные в prompt?

Нет. Разрешение — параметр API, и текст prompt его не выбирает. Прилагательные про детализацию адресованы не той стадии: увеличение идёт после генерации и prompt не читает никогда. Структуру оно действительно добавляет — мы это измерили, — но ничто из написанного вами не правит тем, что именно оно добавит. Выбор объектива, направление света и движение камеры меняют то, что рендерится до масштабирования, — и вот где слова prompt отрабатывают своё место.

Можно ли обрезать клип Omni в 4K до вертикали без потери качества?

Обычно да, и это самый сильный практический аргумент за эту ступень. Центральный кроп 9:16 из UHD — 1215 пикселей в ширину, так что вертикальная сдача шириной 1080 — это уменьшение. Тот же кроп из 1080p — 608 в ширину, и его придётся увеличивать снова, из уже сжатого файла. С укрупнениями то же: перекадрирование 1.5× на UHD всё ещё оставляет нативные 1920 на 1080.

Даёт ли один и тот же seed один и тот же план на другом разрешении?

Нет, и это нас удивило. Один prompt с зафиксированным seed, отрендеренный в 720p и затем в 4K, вернул два разных плана: предметы по разные стороны верстака, другое число плошек с пигментом и другая их расстановка, другая высота камеры. Считайте детерминированность seed действительной только внутри одного разрешения и не рассчитывайте утвердить план дёшево, а потом перерендерить именно его крупнее.