Gemini 1.5 Flash 的多模态效率：比 Pro 快多少，效果差多少

一个让我坐不住的对比

有一个问题我摸索了很久：Gemini 1.5 Pro 和 Flash 名字像，定位却完全不同。最开始我以为 Flash 只是把 Pro 的“脑子”换小一号，速度更快但不会差到哪里。直到我在一次多模态任务里被打脸。

那次我让 Pro 把一段 12 分钟的产品演示视频拆成带时间戳的详细描述。它答得很完整，但等了大概一分钟。我等得无聊，就把同样的任务丢给 Flash，十几秒就回来了。结果呢？它漏掉了视频结尾一闪而过的数字——一个供应商报价。速度快是真的快，但“快”的代价也清清楚楚。

这让我突然想认真回答一个问题：Flash 的多模态效率到底比 Pro 快多少，效果又差多少？

Flash 是官方对“快”的答案

我们需要先定义 Flash 是谁。2024 年 2 月，Google DeepMind 发布 Gemini 1.5，同时推出 Pro 和 Flash。根据 DeepMind 的发布博客，Pro 是旗舰模型，追求深度推理和高质量生成；Flash 则是为大规模、高吞吐量任务设计的轻量模型。官方给 Flash 的定位很直接：处理大量需要快速响应的任务。在现在的 Gemini API 版本中，Flash 和 Pro 一样能读文本、图片、视频、音频，但处理这些输入时，Flash 的路子更“省”。

Gemini 1.5 Flash 是更轻量、更快的模型，专为大流量、需要高效处理的任务而生。——DeepMind 发布博客（译文）

Flash 不是一个“缩小版 Pro”，而是 Gemini API 中的一个独立模型，有自己独立的上下文窗口、速率限制和定价。

多模态效率到底在比什么

多模态输入会带来巨大的 token 量。一段 10 分钟的视频可能被拆成几十万个 token，图像、音频也都会转成 token。效率的竞争就发生在这一长串 token 上：Pro 试图对每个 token 做尽可能深入的理解，Flash 则在每一步都试图“省一点”，用更小的计算量找到能回答问题的线索。

因此，多模态效率不是一个单一的“快”字，而是延迟、吞吐和质量的三方权衡。下面这张表，我把官方定位和我的使用体验放在一起：

维度	Gemini 1.5 Pro	Gemini 1.5 Flash
上下文窗口	支持百万级 token	官方文档同样支持百万级 token
输入模态	文本、图像、视频、音频	文本、图像、视频、音频
适用场景	复杂推理、深度分析	高并发、实时、批量任务
速度倾向	较慢，低频率深度调用	快，适合高频调用
成本	高	显著更低
质量强项	微妙语义、多步推理	事实识别、简单逻辑

据官方模型文档，Flash 的上下文窗口同样可以到百万 token；但这张表的结论只有一个：Flash 的目标是“快而够用”，Pro 的目标是“稳而全面”。两者不是版本更新的关系，是两种不同的投入产出选择。

为什么长视频场景最吃亏？因为每多一帧画面，就多出一批 token。Pro 要在这批 token 上进行深层注意力计算，耗时随 token 数量超线性增长；Flash 的轻量化编码器能快速把画面“压”成少量摘要 token。所以输入越接近百万级，Flash 的速度优势就越明显。当然，代价是它在摘要过程中丢掉的不只是噪声，也可能是那个一闪而过的报价。

为什么 Flash 能比你预想的更快

我最早以为 Flash 就是 Pro 的蒸馏 + 量化的产物，参数小一截，精度掉一点。后来看了 Gemini 1.5 技术报告，才意识到事情并不这么简单。

报告里明确提到，Flash 在训练时用 Pro 作为教师模型。也就是说，Flash 确实喝了 Pro 的“蒸馏奶”，但它不是简单地从 Pro 里剪出一个小模型，而是从零开始按“更快、更便宜”的目标训练出来的。

如果把这种设计放到多模态场景里，用我的话说就是：Pro 像一个逐字审阅长视频的编辑，Flash 像一个快速扫一遍后帮你划重点的助手。视频里每个 token 都需要在模型里“打招呼”，Flash 的架构让打招呼的次数少了很多，速度自然就上去了。

效果差多少？要看任务类型

Flash 比 Pro 快，已经不用争。问题是，效果具体差多少？我在真实任务里跑了几个场景，发现差距不是均匀分布的。

差距大的任务：因果推理、跨模态关联。视频里一个人摔倒，Pro 会推测“可能是地面湿滑”，Flash 往往只能说“他跌倒了”。音频里的低沉语气和画面里的黑色伞，Pro 能关联出“葬礼”的语境，Flash 常常只抓住其中一条线。
差距小的任务：显式信息抽取、简单分类。视频里出现的人名、地名、报价，Flash 基本能准确抠出来；判断“室内还是室外”这类二元问题，Flash 已经不容易翻车。

有一次我让 Flash 从一张会议截图里提取行动项，它把每条任务都列得清清楚楚，却没注意到截图右上角有一个“已撤销”。这种“丢边界信息”的行为，在 Pro 身上几乎没出现过。

所以“效果差多少”这个问题的真诚答案是：要看任务有多依赖深层推理。越是把信息摆到明面上的任务，Flash 越接近 Pro；越需要“脑补”逻辑链条的任务，Flash 越容易掉链子。