A equipe Qwen do Alibaba lançou o Qwen3.8-Omni-Flash, um modelo omnimodal nativo de próxima geração que aceita entradas de texto, imagem, áudio e vídeo por meio de uma única janela de contexto de 1 milhão de tokens. O lançamento, detalhado no blog oficial da Qwen, marca o esforço mais agressivo da equipe até agora para transformar áudio e vídeo de entradas passivas no meio principal através do qual os agentes de IA percebem e agem no mundo.

Da compreensão da mídia à ação sobre ela

O objetivo declarado do Qwen3.8-Omni-Flash não é apenas uma melhor compreensão da mídia. De acordo com a equipe Qwen, o modelo foi projetado para avançar os sistemas omnimodais, desde a “compreensão do conteúdo omnimodal” até o “planejamento de tarefas, chamada de ferramentas e conclusão de trabalho criativo”. Na prática, isso significa que o modelo é voltado para fluxos de trabalho como edição de vídeo, criação de videoclipes, produção e comentários de filmes, resumo audiovisual e conversas de voz em tempo real.

Esse enquadramento agente separa o lançamento dos modelos multimodais anteriores que tratavam áudio e vídeo como entradas a serem transcritas ou descritas. Qwen argumenta que o áudio e o vídeo estão evoluindo para “mídia central por meio da qual os agentes entendem seu ambiente, raciocinam e executam tarefas” – uma afirmação que a empresa apóia com uma série de resultados de benchmark de agentes.

Os números por trás do lançamento

Em 29 avaliações abrangendo raciocínio de áudio, raciocínio audiovisual e benchmarks de agentes audiovisuais, Qwen diz que a pontuação média do modelo melhora em mais de 25% em relação ao seu antecessor, Qwen3.5-Omni-Plus. Os resultados das manchetes relatados no blog Qwen incluem:

  • Ganho de 36,5 pontos no WildClawBench-MM e 22,3 pontos no AgenticVBench, dois benchmarks para agentes audiovisuais, além de pontuação de 69,6 no UniClawBench.
  • Uma melhoria de 8,3 pontos no LongAudioSpan e um ganho de 9,6 pontos no OmniVideoBench para compreensão de áudio e vídeo de formato longo.
  • Quedas drásticas na taxa de erros na transcrição de reuniões com vários alto-falantes: o AliMeeting DER e o cpWER do modelo caíram de 88,11 e 89,61 para 3,35 e 17,18, respectivamente.

Na frente competitiva, Qwen faz uma comparação direta com a oferta do Google: a empresa afirma ter desempenho audiovisual próximo ao Gemini 3.8 Flash e desempenho geral de áudio que o excede. A verificação independente dessas comparações levará tempo, mas a especificidade das afirmações de referência sinaliza que Qwen considera o modelo competitivo na fronteira do trabalho omnimodal.

Uma janela de 1 milhão de tokens para horas de mídia

A janela de contexto unificada de 1 milhão de tokens é sem dúvida o recurso mais prático do lançamento. Como o áudio e o vídeo consomem tokens muito mais rápido que o texto, a maioria dos modelos multimodais em produção lida com apenas alguns minutos de mídia por vez. Uma janela de contexto de sete dígitos permite que o modelo armazene horas de gravações de reuniões, filmagens de vídeo estendidas ou grandes documentos de mídia mista em uma única sessão, sem fragmentação.

Qwen observa que o modelo mantém o desempenho do texto comparável a um modelo somente texto do mesmo tamanho – abordando o compromisso comum em que o treinamento omnimodal degrada a habilidade linguística pura.

Cortes de preços de 98% na entrada de áudio

O preço é onde o Alibaba está aplicando mais pressão. De acordo com o blog, o preço da API por hora de entrada de áudio caiu mais de 98% em comparação com Qwen3.5-Omni-Plus, enquanto o preço por hora de entrada audiovisual caiu mais de 93%. A nota metodológica da empresa diz que os preços por hora são estimados em 30 vezes o custo de entrada de dois minutos de material original, com entrada audiovisual calculada em 720p e 1 quadro por segundo.

Para desenvolvedores que criam agentes de voz, resumidores de reuniões ou pipelines de análise de mídia, o custo de entrada costuma ser a restrição vinculativa em escala. Uma queda de preços de duas ordens de magnitude altera quais produtos são economicamente viáveis ​​– a mesma dinâmica que impulsionou a primeira onda de APIs baratas de inferência de texto.

Disponibilidade e ecossistema

Qwen3.8-Omni-Flash já está disponível na Qianwen AI Platform, com acesso API por meio do Alibaba Cloud Model Studio, incluindo um endpoint dedicado em tempo real para casos de uso de conversação. A equipe também publicou ferramentas de suporte de código aberto no GitHub, incluindo o equipamento de avaliação Qwen-Live-Harness e Qwen-MM-Plugins, dando aos desenvolvedores um ponto de partida para construir agentes nativos de mídia sobre o modelo.

O lançamento ocorreu silenciosamente no início da semana, mas ganhou força significativa na comunidade de desenvolvedores nos últimos dias, gerando uma grande discussão no Hacker News e na cobertura de agências de tecnologia que acompanham o ecossistema de modelo aberto.

O que isso significa para a corrida omnimodal

O lançamento dá continuidade à estratégia da Alibaba de combinar preços agressivos com benchmarks competitivos em toda a sua família Qwen, que tem estado repetidamente entre as linhagens de modelos abertos mais baixadas em todo o mundo. Com o Qwen3.8-Omni-Flash, a empresa aposta que o próximo campo de batalha não será o bate-papo por texto, mas agentes que podem assistir, ouvir e agir — editando imagens, resumindo reuniões e mantendo conversas de voz em tempo real como um único recurso integrado.

Para o Google, cujo Gemini 3.8 Flash é o ponto de comparação explícito, a mensagem é que a fronteira omnimodal não é mais uma corrida de dois cavalos entre laboratórios dos EUA. Para os desenvolvedores, a combinação de uma janela multimodal de 1 milhão de tokens e entrada de áudio quase livre reduz a barreira para uma classe de produtos de agentes audiovisuais que eram impraticáveis ​​para servir em escala apenas alguns meses atrás.

O facto de as afirmações de referência de Qwen se manterem sob avaliação independente determinará a seriedade com que a indústria trata essa aposta. Mas a direção da viagem é clara: as equipes que constroem modelos de fronteira agora veem ouvidos e olhos – e não apenas uma caixa de texto – como a interface padrão para agentes de IA.

Fique à frente da IA

A corrida omnimodal está acelerando semana após semana. Para obter mais notícias de última hora sobre IA, análises aprofundadas de lançamentos de novos modelos e cobertura das ferramentas que moldam a indústria, leia mais notícias sobre IA →.

---

Fique à Frente da IA

As últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.

Ler mais notícias de IA →