El equipo Qwen de Alibaba lanzó Qwen3.8-Omni-Flash, un modelo omnimodal nativo de próxima generación que acepta entradas de texto, imágenes, audio y video a través de una única ventana contextual de 1 millón de tokens. El lanzamiento, detallado en el blog oficial de Qwen, marca el impulso más agresivo del equipo hasta el momento para convertir el audio y el video de entradas pasivas en el medio principal a través del cual los agentes de IA perciben y actúan en el mundo.

De comprender los medios a actuar en consecuencia

El objetivo declarado de Qwen3.8-Omni-Flash no es sólo una mejor comprensión de los medios. Según el equipo de Qwen, el modelo está diseñado para hacer avanzar los sistemas omnimodales desde "comprender el contenido omnimodal" hasta "planificar tareas, llamar a herramientas y completar el trabajo creativo". En la práctica, eso significa que el modelo está dirigido a flujos de trabajo como edición de vídeo, creación de vídeos musicales, producción y comentarios de películas, resúmenes audiovisuales y conversaciones de voz en tiempo real.

Este marco agente separa el lanzamiento de modelos multimodales anteriores que trataban el audio y el video como entradas para ser transcritos o descritos. Qwen sostiene que el audio y el vídeo están evolucionando hacia "medios centrales a través de los cuales los agentes comprenden su entorno, razonan y ejecutan tareas", una afirmación que la empresa respalda con una serie de resultados de referencia agentes.

Los números detrás del lanzamiento

En 29 evaluaciones que abarcan razonamiento de audio, razonamiento audiovisual y puntos de referencia de agentes audiovisuales, Qwen dice que la puntuación promedio del modelo mejora en más de un 25 % con respecto a su predecesor, Qwen3.5-Omni-Plus. Los resultados principales informados en el blog de Qwen incluyen:

  • Una ganancia de 36,5 puntos en WildClawBench-MM y 22,3 puntos en AgenticVBench, dos puntos de referencia para agentes audiovisuales, además de una puntuación de 69,6 en UniClawBench.
  • Una mejora de 8,3 puntos en LongAudioSpan y una ganancia de 9,6 puntos en OmniVideoBench para la comprensión de audio y vídeo de formato largo.
  • Caídas dramáticas en la tasa de error en la transcripción de reuniones de varios oradores: AliMeeting DER y cpWER del modelo cayeron de 88,11 y 89,61 a 3,35 y 17,18 respectivamente.

En el frente competitivo, Qwen hace una comparación directa con la oferta de Google: la compañía afirma tener un rendimiento audiovisual cercano al de Gemini 3.8 Flash y un rendimiento de audio general que lo supera. La verificación independiente de esas comparaciones llevará tiempo, pero la especificidad de las afirmaciones de los puntos de referencia indica que Qwen considera que el modelo es competitivo en la frontera del trabajo omnimodal.

Una ventana de 1 millón de tokens para horas de medios

La ventana contextual unificada de 1 millón de tokens es posiblemente la característica más práctica de la versión. Debido a que el audio y el vídeo consumen tokens mucho más rápido que el texto, la mayoría de los modelos multimodales en producción manejan sólo minutos de medios a la vez. Una ventana de contexto de siete cifras permite al modelo almacenar horas de grabaciones de reuniones, secuencias de vídeo extendidas o documentos grandes de medios mixtos en una sola sesión sin fragmentación.

Qwen señala que el modelo mantiene un rendimiento de texto comparable al de un modelo de solo texto del mismo tamaño, abordando el equilibrio común donde el entrenamiento omnimodal degrada la capacidad lingüística pura.

Recortes de precios del 98 % en entradas de audio

Los precios es donde Alibaba está aplicando la mayor presión. Según el blog, el precio API por hora de entrada de audio ha caído más del 98% en comparación con Qwen3.5-Omni-Plus, mientras que el precio por hora de entrada audiovisual ha bajado más del 93%. La nota metodológica de la compañía dice que los precios por hora se estiman en 30 veces el costo de entrada de dos minutos de material original, con entrada audiovisual calculada a 720p y 1 fotograma por segundo.

Para los desarrolladores que crean agentes de voz, resúmenes de reuniones o canales de análisis de medios, el costo de los insumos suele ser la limitación vinculante a la escala. Una caída de precios de dos órdenes de magnitud cambia qué productos son económicamente viables: la misma dinámica que impulsó la primera ola de API de inferencia de texto baratas.

Disponibilidad y ecosistema

Qwen3.8-Omni-Flash ya está disponible en Qianwen AI Platform, con acceso API a través de Alibaba Cloud Model Studio, incluido un punto final dedicado en tiempo real para casos de uso conversacionales. El equipo también publicó herramientas de soporte de código abierto en GitHub, incluido el arnés de evaluación Qwen-Live-Harness y Qwen-MM-Plugins, lo que brinda a los desarrolladores un punto de partida para crear agentes nativos de medios sobre el modelo.

El lanzamiento aterrizó silenciosamente a principios de semana, pero ganó una tracción significativa en la comunidad de desarrolladores en los últimos días, generando una gran discusión en Hacker News y cobertura de medios de tecnología que rastrean el ecosistema de modelo abierto.

Qué significa para la carrera omnimodal

El lanzamiento continúa la estrategia de Alibaba de combinar precios agresivos con puntos de referencia competitivos en toda su familia Qwen, que ha estado repetidamente entre los linajes de modelos abiertos más descargados en todo el mundo. Con Qwen3.8-Omni-Flash, la compañía apuesta a que el próximo campo de batalla no sea el chat de texto, sino agentes que puedan mirar, escuchar y actuar: editar imágenes, resumir reuniones y mantener conversaciones de voz en tiempo real como una única capacidad integrada.

Para Google, cuyo Gemini 3.8 Flash es el punto de comparación explícito, el mensaje es que la frontera omnimodal ya no es una carrera de dos caballos entre laboratorios estadounidenses. Para los desarrolladores, la combinación de una ventana multimodal de 1 millón de tokens y una entrada de audio casi gratuita reduce la barrera a una clase de productos de agentes audiovisuales que no era práctico ofrecer a escala hace sólo unos meses.

Si las afirmaciones de referencia de Qwen se mantienen bajo una evaluación independiente determinará la seriedad con la que la industria trata esa apuesta. Pero la dirección a seguir es clara: los equipos que construyen modelos de frontera ahora ven oídos y ojos (no solo un cuadro de texto) como la interfaz predeterminada para los agentes de IA.

Manténgase por delante de la IA

La carrera omnimodal se acelera semana a semana. Para obtener más noticias de última hora sobre IA, análisis en profundidad de los lanzamientos de nuevos modelos y cobertura de las herramientas que dan forma a la industria, leer más noticias sobre IA →.

---

Mantente al Día con la IA

Las últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.

Leer más noticias de IA →