DeepMind 发布 Gemini Omni 多模态统一模型

DeepMind 于 2026 年 5 月 17 日发布 Gemini Omni，这是一款原生多模态模型，能够同时处理文本、图像、音频和视频输入并生成任意模态的输出。其核心技术在于统一的 Transformer 架构，将不同模态的 token 在同一个语义空间中联合训练与推理，无需独立的编码器或解码器模块。

该模型在跨模态理解与生成任务上表现出更强的连贯性，尤其在音视频同步理解、图文互生成等场景中具备端到端能力。