原生全模态：四种输入同时处理

9 月 18 日，阿里千问正式上线新一代原生全模态模型 Qwen3.8-Omni-Flash，并已在千问 AI 平台提供。与”先理解文本、再外接模块处理音视频”的做法不同，该模型从架构层面同时处理文本、图像、音频和视频输入，支持 1M（百万）上下文窗口，官方称可原生处理最长约一小时的连续音视频流。

全模态模型的定位正在从”理解内容”走向”规划任务、调用工具并完成创作”。官方表示，Qwen3.8-Omni-Flash 在保持同尺寸文本模型能力的同时，全模态能力较上一代明显提升。

30 项评测平均提升超 26%

在累计 30 项评测上，Qwen3.8-Omni-Flash 相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 26%。具体来看：

– 音视频 Agent、Coding 和长程任务：WildClawBench-MM 提升 36.5 分，AgenticVBench 提升 22.3 分，UniClawBench 取得 69.6 分；<br/>- 长音频理解：LongAudioSpan 提升 8.3 分；<br/>- 视频理解：OmniVideoBench 提升 9.6 分；<br/>- 会议场景：AliMeeting 的说话人分离错误率（DER）从 88.11% 降至 3.35%，词错率（cpWER）从 89.61% 降至 17.18%。

官方称，其音视频能力接近 Gemini 3.8 Flash，音频能力整体超过 Gemini 3.8 Flash。

价格打到”基础能力”区间

最引人注目的是定价策略。Qwen3.8-Omni-Flash 的百万 Token 图文音视频输入定价为 0.8 元，API 每小时音频输入价格降幅超过 98%，每小时音视频输入价格降幅超过 93%。把全模态打到 0.8 元每百万 Token，意味着开发者以往因成本不敢全量调用的会议录音、访谈整理、视频内容生产等场景，如今具备了规模化调用的空间。

能”看”能”听”还能”动手”

为支持长音视频，官方扩展了 Qwen-MM-Plugins，并开源 Qwen-Live Harness。前者面向长程工作流的按需感知、工具调用与执行，后者面向实时、持续的全模态交互。

在 Agentic 长音视频理解中，OmniVideoBench 准确率从 63.4 提升至 67.8，Token 消耗从 145,736 降至 79,117，降幅约 45.7%。会议场景下，模型支持最长一小时音视频输入，可完成说话人切分、内容转录与身份对应，生成会议纪要和待办事项，并分析项目风险；结合工具调用，还可发送邮件、整理任务或编码。

音视频生产方面，Music2MV 可理解歌曲结构、节奏与情绪，输出带时间戳的句级歌词；短剧翻译可完成角色识别、口语化翻译、角色克隆配音、音轨重混与成片质检；长电影解说中，用户给出影片和一句话需求，Agent 即可完成全模态理解、关键情节提炼、解说规划、配音配乐、剪辑渲染与成片质检。

实时版与”听声辨位”

实时版 Qwen3.8-Omni-Flash-Realtime 可在音视频流输入的同时完成感知与响应，并结合实时上下文调用工具。官方称它是首个支持”听声辨位”的全模态大模型，融合空间声音与视觉信息，判断声源方向和距离；还支持实时口语陪练，联合建模发音与语义，理解受口音影响的非标准表达。

在”模型优化模型”的实验中，Qwen3.8-Omni-Flash 在 12 小时内自主选定评测集、经 4 轮实验构建 3413 条训练数据，将 Qwen2.5-Omni-3B 的四川话识别字符错误率从 25.79% 降至 15.30%，相对下降约 40.7%。官方同时开源了 Qwen-MM-Plugins 中的 Video2Note（将数小时视频生成图文对应 PDF 笔记）与 Omni Skill Creator（从操作演示中提炼标准作业流程并转为可复用 Agent Skill）。