L'équipe Qwen d'Alibaba a lancé Qwen3.8-Omni-Flash, un modèle omnimodal natif de nouvelle génération qui accepte les entrées de texte, d'image, audio et vidéo via une seule fenêtre contextuelle d'un million de jetons. Cette version, détaillée sur le blog officiel de Qwen, marque la démarche la plus agressive de l'équipe à ce jour pour transformer l'audio et la vidéo d'entrées passives en support principal à travers lequel les agents d'IA perçoivent et agissent sur le monde.

De la compréhension des médias à l'action en conséquence

L'objectif déclaré de Qwen3.8-Omni-Flash n'est pas seulement une meilleure compréhension des médias. Selon l'équipe Qwen, le modèle est conçu pour faire progresser les systèmes omnimodaux depuis « la compréhension du contenu omnimodal » jusqu'à « la planification des tâches, l'appel des outils et la réalisation du travail créatif ». En pratique, cela signifie que le modèle est destiné à des flux de travail tels que le montage vidéo, la création de vidéoclips, la production et les commentaires de films, le résumé audiovisuel et les conversations vocales en temps réel.

Ce cadrage agentique sépare la version des modèles multimodaux antérieurs qui traitaient l'audio et la vidéo comme des entrées à transcrire ou à décrire. Qwen affirme que l'audio et la vidéo évoluent vers « des médias de base grâce auxquels les agents comprennent leur environnement, raisonnent et exécutent des tâches » – une affirmation que l'entreprise soutient avec une série de résultats de référence agent.

Les chiffres derrière la sortie

À travers 29 évaluations couvrant le raisonnement audio, le raisonnement audiovisuel et les tests d'agents audiovisuels, Qwen affirme que le score moyen du modèle s'améliore de plus de 25 % par rapport à son prédécesseur, Qwen3.5-Omni-Plus. Les principaux résultats rapportés sur le blog Qwen incluent :

  • Un gain de 36,5 points sur WildClawBench-MM et de 22,3 points sur AgenticVBench, deux benchmarks pour les agents audiovisuels, plus un score de 69,6 sur UniClawBench.
  • Une amélioration de 8,3 points sur LongAudioSpan et un gain de 9,6 points sur OmniVideoBench pour la compréhension audio et vidéo longue durée.
  • Baisse spectaculaire du taux d'erreur dans la transcription des réunions multi-intervenants : les DER et cpWER d'AliMeeting du modèle sont passés de 88,11 et 89,61 à 3,35 et 17,18 respectivement.

Sur le plan concurrentiel, Qwen fait une comparaison directe avec l'offre de Google : l'entreprise revendique des performances audiovisuelles proches du Gemini 3.8 Flash et des performances audio globales qui les dépassent. Une vérification indépendante de ces comparaisons prendra du temps, mais la spécificité des affirmations de référence indique que Qwen considère le modèle compétitif à la frontière du travail omnimodal.

Une fenêtre de 1 million de jetons pour des heures de média

La fenêtre contextuelle unifiée d'un million de jetons est sans doute la fonctionnalité la plus pratique de la version. Étant donné que l’audio et la vidéo consomment des jetons beaucoup plus rapidement que le texte, la plupart des modèles multimodaux en production ne gèrent que quelques minutes de média à la fois. Une fenêtre contextuelle à sept chiffres permet au modèle de conserver des heures d'enregistrements de réunions, des séquences vidéo étendues ou des documents multimédias volumineux en une seule session sans fragmentation.

Qwen note que le modèle maintient des performances textuelles comparables à celles d'un modèle texte uniquement de même taille, résolvant ainsi le compromis courant selon lequel la formation omnimodale dégrade la capacité linguistique pure.

Baisse de prix de 98 % sur l'entrée audio

C’est sur les prix qu’Alibaba exerce le plus de pression. Selon le blog, le prix horaire de l'API pour l'entrée audio a baissé de plus de 98 % par rapport à Qwen3.5-Omni-Plus, tandis que le prix horaire pour l'entrée audiovisuelle a baissé de plus de 93 %. La note méthodologique de la société indique que les prix horaires sont estimés à 30 fois le coût d'entrée de deux minutes de matériel source, avec une entrée audiovisuelle calculée à 720p et 1 image par seconde.

Pour les développeurs qui créent des agents vocaux, des résumés de réunions ou des pipelines d'analyse multimédia, le coût des intrants est souvent la contrainte majeure en termes d'échelle. Une baisse de prix de deux ordres de grandeur modifie les produits qui sont économiquement viables – la même dynamique qui a conduit la première vague d’API d’inférence de texte bon marché.

Disponibilité et écosystème

Qwen3.8-Omni-Flash est désormais disponible sur la plateforme Qianwen AI, avec un accès API via Alibaba Cloud Model Studio, y compris un point de terminaison en temps réel dédié aux cas d'utilisation conversationnelle. L'équipe a également publié des outils open source de support sur GitHub, notamment le harnais d'évaluation Qwen-Live-Harness et Qwen-MM-Plugins, offrant aux développeurs un point de départ pour créer des agents multimédias natifs au-dessus du modèle.

Le lancement a eu lieu tranquillement plus tôt dans la semaine, mais a gagné en popularité au sein de la communauté des développeurs ces derniers jours, suscitant une large discussion sur Hacker News et une couverture médiatique de la part des médias technologiques qui suivent l'écosystème de modèle ouvert.

Ce que cela signifie pour la course omnimodale

Cette version s'inscrit dans la stratégie d'Alibaba consistant à associer des prix agressifs à des références compétitives au sein de sa famille Qwen, qui figure à plusieurs reprises parmi les lignées de modèles ouverts les plus téléchargées au monde. Avec Qwen3.8-Omni-Flash, l'entreprise parie que le prochain champ de bataille n'est pas celui du chat textuel, mais celui des agents capables de regarder, d'écouter et d'agir – en éditant des séquences, en résumant des réunions et en organisant des conversations vocales en temps réel en tant que fonctionnalité intégrée unique.

Pour Google, dont Gemini 3.8 Flash constitue le point de comparaison explicite, le message est que la frontière omnimodale n’est plus une course à deux entre laboratoires américains. Pour les développeurs, la combinaison d’une fenêtre multimodale de 1 million de jetons et d’une entrée audio quasi-libre abaisse la barrière vers une classe de produits d’agents audiovisuels qui n’étaient pas pratiques à exploiter à grande échelle il y a seulement quelques mois.

La tenue ou non des affirmations de référence de Qwen lors d'une évaluation indépendante déterminera le sérieux avec lequel l'industrie traitera ce pari. Mais la direction à suivre est claire : les équipes qui construisent des modèles frontaliers voient désormais les oreilles et les yeux – et non seulement une zone de texte – comme l’interface par défaut des agents IA.

Gardez une longueur d'avance sur l'IA

La course omnimodale s’accélère de semaine en semaine. Pour plus d'actualités sur l'IA, une analyse approfondie des nouvelles versions de modèles et une couverture des outils qui façonnent l'industrie, lire plus d'actualités sur l'IA →.

---

Restez à la Pointe de l'IA

Les dernières actualités, analyses et percées en IA — au même endroit.

Lire plus d'actualités IA →