阿里巴巴的Qwen3.8-Omni-Flash为音视频代理带来1M-Token上下文

阿里巴巴的 Qwen 团队推出了 Qwen3.8-Omni-Flash，这是一种具有 1M 代币上下文窗口的全模态模型，在视听任务上与 Gemini 3.8 Flash 相匹配，同时将音频 API 价格降低了 98% 以上。

阿里巴巴的 Qwen 团队推出了 Qwen3.8-Omni-Flash，这是一种下一代原生全模态模型，可通过单个 100 万个令牌上下文窗口接受文本、图像、音频和视频输入。 Qwen 官方博客上详细介绍了该版本的发布，标志着该团队迄今为止最积极的努力，即将音频和视频从被动输入转变为人工智能代理感知世界并对其采取行动的主要媒介。

从理解媒体到采取行动

Qwen3.8-Omni-Flash 的既定目标不仅仅是更好的媒体理解。据 Qwen 团队介绍，该模型旨在将全模态系统从“理解全模态内容”推进到“规划任务、调用工具、完成创造性工作”。实际上，这意味着该模型针对视频编辑、音乐视频创作、电影制作和评论、视听摘要、实时语音对话等工作流程。

这种主体框架将发布与早期的多模式模型区分开来，早期的多模式模型将音频和视频视为要转录或描述的输入。 Qwen 认为，音频和视频正在演变成“智能体通过其了解环境、推理并执行任务的核心媒体”——该公司通过一系列智能体基准测试结果来支持这一说法。

发布背后的数字

Qwen 表示，在涵盖音频推理、视听推理和视听代理基准的 29 项评估中，该模型的平均得分比其前身 Qwen3.5-Omni-Plus 提高了 25% 以上。 Qwen 博客上报道的主要结果包括：

在 WildClawBench-MM 上获得了 36.5 分，在 AgenticVBench（视听代理的两个基准）上获得了 22.3 分，在 UniClawBench 上获得了 69.6 分。

对于长格式音频和视频的理解，LongAudioSpan 提高了 8.3 点，OmniVideoBench 提高了 9.6 点。

多发言者会议转录错误率大幅下降：模型的 AliMeeting DER 和 cpWER 分别从 88.11 和 89.61 下降到 3.35 和 17.18。

在竞争方面，Qwen 与 Google 的产品进行了直接比较：该公司声称其视听性能接近 Gemini 3.8 Flash，而整体音频性能则超过它。这些比较的独立验证需要时间，但基准声明的特殊性表明 Qwen 认为该模型在全模式工作的前沿具有竞争力。

数小时媒体的 100 万代币窗口

统一的 100 万个令牌上下文窗口可以说是该版本最实用的功能。由于音频和视频消耗令牌的速度远远快于文本，因此生产中的大多数多模式模型一次仅处理几分钟的媒体。七位数的上下文窗口允许模型在单个会话中保存数小时的会议录音、扩展视频片段或大型混合媒体文档，而无需分块。

Qwen 指出，该模型保持的文本性能与相同大小的纯文本模型相当，解决了全模式训练降低纯语言能力的常见问题。

音频输入降价 98%

定价是阿里巴巴施加压力最大的地方。据博客称，与Qwen3.5-Omni-Plus相比，音频输入每小时的API价格下降了98%以上，而视听输入每小时的价格下降了93%以上。该公司的方法说明称，每小时的价格估计是两分钟源材料输入成本的 30 倍，视听输入按 720p 和每秒 1 帧计算。

对于构建语音代理、会议摘要器或媒体分析管道的开发人员来说，输入成本通常是规模上的约束性约束。两个数量级的价格下降会改变哪些产品在经济上可行——这与推动第一波廉价文本推理 API 的动力相同。

可用性和生态系统

Qwen3.8-Omni-Flash现已在钱文人工智能平台上推出，可通过阿里云模型工作室进行API访问，包括用于对话用例的专用实时端点。该团队还在 GitHub 上发布了支持开源工具，包括 Qwen-Live-Harness 评估工具和 Qwen-MM-Plugins，为开发人员在模型之上构建媒体原生代理提供了一个起点。

该发布于本周早些时候悄然落地，但最近几天在开发者社区中获得了巨大的关注，引起了黑客新闻的广泛讨论以及跟踪开放模型生态系统的技术媒体的报道。