Qwen3.8-Omni-Flash 发布说明

Qwen3.8-Omni-Flash 是一款原生全模态模型，旨在推动 AI 智能体从简单的内容理解转向在视听环境中的自主任务规划与执行。它引入了 1M token 的上下文窗口，并大幅降低了成本，与之前版本相比，音频输入价格降低了超过 98%，视听输入价格降低了超过 93%。

智能体视听理解

Qwen3.8-Omni-Flash 将长内容处理从静态模式转变为智能体工作流。模型不再处理多小时视频的每一帧，而是通过多轮从粗到细的证据收集，自主决定观看和收听哪些片段。

在 OmniVideoBench 基准测试中，这种智能体方法将准确率从 63.4 提升至 67.8，同时将 token 消耗量降低了约 45.7%（从每个查询 145,736 个 token 降至 79,117 个）。

长内容处理能力

可控字幕生成：用户可以指定视频描述的主题、时间范围和详细程度，从而对镜头、光影和声音进行结构化分析。
会议分析：模型支持长达一小时的视听输入，端到端地执行说话人分割、身份对齐和转录，以生成会议纪要和行动项。
深度研究：模型可以将视频内容与跨多模态来源的网络搜索相结合，生成带有插图的研究报告。

视听制作与编辑

该模型通过规划和调用工具来交付成品媒体，从而实现专业内容创作的端到端工作流：

Music2MV：分析歌曲节奏、情绪和人声，为音乐视频设计角色和场景，并输出带有时间戳的逐行歌词。
短剧翻译：实现自动化、感知说话人的对话识别、语音克隆、配音和音频混音，用于国际化本地化。
电影解说：从长篇电影中提取关键情节，规划并制作解说视频，包括自动调整语速和音量以实现自然流畅的表达。

模型优化与知识提取

Qwen3.8-Omni-Flash 可用于推动小型专用模型的开发。在一项实验中，该模型被指派改进 Qwen2.5-Omni-3B 的四川话语音识别能力。在 12 小时内，智能体自主诊断问题并构建了 3,413 个训练样本，将字符错误率从 25.79% 降低至 15.30%（相对降低了 40.7%）。

此外，该模型支持将非结构化视频转换为结构化资产：

Video2Note：将视频教程转换为包含关键截图和分步说明的 PDF 笔记。
Omni Skill Creator：从演示视频中提取标准作业程序 (SOP)，为其他智能体创建可复用的 Skill.md 文件。

Qwen3.8-Omni-Flash-Realtime 实时交互

针对低延迟场景，Qwen3.8-Omni-Flash-Realtime 模型能够感知并响应实时视听流。主要功能包括：

实时口语练习：联合建模发音和语义，实时纠正口音和语调偏差。
空间音频感知：结合空间声音与视觉数据来定位声源并向其导航，实现基于音频线索的机器人导航。
动态知识注入：支持通过“技能”注入身份设置和业务规则，以实现定制化的客户服务交互。

性能基准测试

Qwen3.8-Omni-Flash 在多个维度上展现了与 Gemini 3.8 Flash 及其他模型竞争的性能：

基准测试	Qwen3.8-Omni-Flash	Gemini 3.8 Flash
WildClawBench-MM (工具使用)	71.0	58.9
UniClawBench (工具使用)	69.6	69.0
DailyOmni (视听理解)	85.1	84.0
OmniVideoBench (视听推理)	63.4	65.2
LongAudioSpan (准确率)	82.7	79.3

在基于文本的编码和智能体任务中，它在 SWE-bench Pro 上得分为 63.3，在 CoWorkBench 上得分为 75.3，保持了与同等规模纯文本模型相当的文本性能。

生态系统与工具

Qwen-MM-Plugins：支持图像、音频、视频和文档理解的多模态插件套件。它与 Claude Code、Qwen Code 和 OpenClaw 等工具链集成。
Qwen-Live Harness：一个用于持续、实时全模态交互的开源运行时，支持任务委派和长期记忆。

社区见解

Hacker News 上的用户强调了与竞争对手相比巨大的成本降低潜力。一位用户指出：

"If the performances are comparable... in/out ($) Gemini : 1.5 / 9.0 | Qwen 3.8: 0.15 / 0.47 That is a massive cost reduction." — @handle

然而，一些用户对博客文章的呈现方式表示怀疑，并报告了 harness 仓库链接的可访问性问题。