Qwen3.8-Omni-Flash

Qwen3.8-Omni-Flash 是千问团队第一个围绕智能体能力设计的原生全模态模型，2026-09-18 发布。它在同一个模型里接受文本、图像、音频与视频，上下文窗口 100 万 token，并且会先理解看到和听到的内容，再调用工具去执行。阿里给它的定位，是把过去要串几个 API 的流程压成一个模型：视频剪辑、MV 制作、影视解说、多媒体摘要、音视频对话。

模型规格

空间音频是这里的关键能力：模型支持双声道与四声道空间音频理解，这让多说话人的视频与对话分析真正可用，而不是拿到一坨重叠的文字。阿里同时开源了配套的 Qwen-MM-Plugins，方便智能体框架调用它的原生多模态能力，并预告 Qwen-Live Harness 即将发布。

定价

数据来自 Qwen Cloud 模型页，核对时间 2026-09-23。

官方称视频输入成本相比 Qwen3.5-Omni-Plus 下降约 89%。如果你过去是「一个视频理解调用加一个文本模型调用」两笔账，这个数字才是真正省下来的部分。

官方公布的基准数据

以下数字来自官方发布，不是第三方独立复现：

• 音视频智能体表现：在 WildClawBench-MM 与 UniClawBench 上平均提升 19.5 分。
• 智能体式感知：在 OmniVideoBench 上比静态理解少用 51.8% 的 token，因为模型会主动探索长视频并定位关键片段，而不是逐帧看完。
• 整体音视频能力：官方表述为「接近 Gemini 3.8 Flash」。

局限

• 闭源权重。 Qwen3.8-Omni-Flash 只提供 API，没有可下载的 checkpoint。
• 分数由厂商提供。 上面的提升幅度尚无独立复现，「接近 Gemini 3.8 Flash」是定位表述，不是实测排名。
• 实际输入上限是 991K 而非 1M。 100 万是上下文窗口，真正的输入上限略低于它。
• 用工具可能要装插件。 阿里推荐搭配 Qwen-MM-Plugins 才能让智能体框架充分调用多模态能力，裸接 API 不一定能拿到全部能力。

常见问题

Qwen3.8-Omni-Flash 和 Qwen-Audio-3.1 是一回事吗？

不是。Qwen-Audio-3.1 是转写、合成与实时语音方向的音频专用模型家族；Qwen3.8-Omni-Flash 是一个同时处理音频、视频、文本与图像的通用模型，而且会调用工具，不只是转写。

它会输出音频或图像吗？

不会。输入支持文本、图像、音频与视频，输出只有文本。需要图像生成可以看 Qwen-Image-2.1。

和 Gemini 的全模态模型比怎么样？

阿里的说法是音视频任务上接近 Gemini 3.8 Flash。对照条目见 Google Gemini Omni Flash。

替代方案

• Qwen3.8-Flash-Next：它基于的文本优先架构，不需要音视频时更划算。
• Google Gemini Omni Flash：同档位的 Google 全模态产品。
• Qwen-Image-2.1：缺口在图像生成与编辑而不是理解时。
• Qwen-Audio-3.1：只做语音时用音频专用模型更合适。