谷歌Gemini Omni 1.2 Flash实测：六维鹈鹕骑车翻车

谷歌新推出的视频生成模型Gemini Omni 1.2 Flash在AI Studio上线后，迅速引来创作者实测。B站UP主用一套自创的"六维鹈鹕骑车"测试提示对其进行了压力测试，结果暴露出不少细节问题。本文基于该实测素材，拆解其表现与短板。

测试方法：六维提示词设计

UP主设计了一个包含多个约束条件的提示词：一只鹈鹕骑着自行车，左翅膀搭在车把上、另一只收拢，嘴巴保持张开；场景中有镜面护墙、步道从右上到左下延伸、挂钟指向三点钟、中文文本"齐傲"等元素。测试从主体完整性、肢体与机械推理、镜面反射与空间推理、中文文本与时钟、液体与浮力运动、运镜构图与光影六个维度逐项打分。

提示词工程（Prompt Engineering） 在此类测试中扮演关键角色。视频生成模型对提示词的遵循能力，通常被称为“指令跟随”（Instruction Following）。当提示词包含多个并列约束（如同时指定肢体姿态、物体部件、空间布局、文本内容）时，模型需要在生成过程中平衡各条件，容易出现约束冲突或遗漏。业界常用“组合性提示”（Compositional Prompt）来评估模型对复杂、多对象、多关系场景的解析能力。本测试中的六维提示词正是典型的组合性压力测试，旨在暴露模型在多重约束下的优先级分配与细节保持能力。

维度一：主体完整性与跨层一致性

模型生成的画面中，自行车缺少了车把后视镜这一指定部件。更明显的问题是镜面护墙并非一整面不间断的落地镜面，而是出现了穿帮：除了镜面墙，画面里还多出一只"镜子里的鹈鹕"，明显是穿模。这说明模型对"连续镜面"这种空间结构理解不足，倾向于用生成相似物体的方式填补区域。

跨层一致性（Cross-layer Consistency） 指生成视频中不同空间层次（如前景、背景、反射面）之间物体属性与位置关系的连贯性。在镜面场景中，模型需要理解反射层与实物层之间的几何映射关系，确保反射内容随实物运动而同步变化。当前视频生成模型多基于扩散模型（Diffusion Model）或自回归Transformer架构，其训练数据中镜面反射样本相对稀缺，且模型倾向于将反射区域视为独立生成区域，而非物理上严格的镜像变换，因此容易产生“复制相似物体”的近似行为，导致穿模与对称错乱。

维度二：肢体与机械推理

提示词要求鹈鹕左翅膀搭在车把上、另一只收拢，但画面里两只翅膀都是收拢状态，没有执行"搭车把"的动作。同时，鹈鹕嘴后来是闭合的，没有保持张大的要求。模型在肢体与物体的交互关系上缺乏精确控制，动作指令被简化为静态姿态。

维度三：镜面反射与空间推理

镜面里的自行车链条、布盖、铃铛没有跟着实物做正确的左右翻转，对称关系错乱。模型不是生成对称镜像，更像是复制了一只相似的鹈鹕放进去。这说明其镜面反射并非基于物理空间推理，而是基于图像模式的近似生成，导致反射内容与实物脱节。

空间推理（Spatial Reasoning） 是视频生成模型的一项核心挑战。人类可以轻松推断物体在三维空间中的位置、朝向及相互遮挡关系，并据此预测镜面反射的左右翻转。然而，多数视频生成模型缺乏显式的三维场景表示，而是通过二维图像序列的统计规律进行生成。当提示词要求精确的镜面反射时，模型往往依赖训练数据中的“镜面模式”进行模式匹配，而非执行真正的几何变换。这解释了为何反射内容与实物脱节——模型并未建立“物体-镜面-观察者”的空间坐标系，而是将反射区域作为独立画面元素进行生成。

维度四：中文文本与时钟

提示词中的"齐傲"，模型把"傲"字写错了；挂钟的时间也不是精确的三点钟，与实际指向相距较远。中文文本生成和精确时间指示仍是视频模型的薄弱环节，文字容易形变，钟表指针难以精确对齐。

中文文本生成在视频模型中面临独特困难。与英文不同，中文字符结构复杂、笔画精细，且模型训练数据中中文文本视频样本相对较少。视频生成模型通常将文本渲染视为像素级生成任务，缺乏对字形结构的显式建模，因此容易出现笔画缺失、结构错位或形近字混淆。时钟精确指示则涉及对指针角度与表盘刻度的精细空间对齐，要求模型具备细粒度几何控制能力。当前模型在生成钟表时，往往只能生成“类似钟表”的图案，难以精确控制指针指向特定时刻，这反映了模型在精细数值与几何约束上的普遍短板。

维度五：液体与浮力运动

这一维度没有看到什么问题，说明模型在流体和浮力这类连续物理运动上表现相对稳定，至少在本测试场景中没有出现明显错误。

维度六：运镜、构图与光影

构图出现严重问题：提示词要求步道从右上到左下延伸，镜面墙在步道上侧，但生成画面明显不符合这一要求。运镜和光影则没有看到问题，有开始的45度角俯拍，然后水平跟拍，光影表现正常。

总结：能力与短板并存

Gemini Omni 1.2 Flash在光影和基础运镜上表现稳定，但在精确空间关系、镜面反射、肢体指令跟随、中文文本和精细构图方面仍有明显短板。对于需要严格遵循复杂提示词的创作场景，目前仍需谨慎使用；若用于氛围类、非精确约束的视频生成，则可能发挥其优势。

UP主在视频结尾邀请观众打分，从实测看，这个模型距离"非常能打"还有一段路要走。