阿里发布Qwen3.8-Omni-Flash：原生全模态、百万上下文，音视频API价格最高降98%

9月18日，阿里巴巴千问团队正式上线新一代原生全模态模型Qwen3.8-Omni-Flash，可同时处理文本、图像、音频与视频输入，支持100万token（1M）上下文窗口，定位为长音视频工作流的智能体栈。

事件背景

在Qwen3.5-Omni-Plus之后，行业对“一模型处理多模态长程任务”的需求快速升温。Qwen3.8-Omni-Flash不再只是字幕/描述演示，而是面向规划任务、工具调用与成品媒体资产交付的Agent管线。

核心内容

据官方披露，在约30项公开与内部基准上，新模型较上一代平均提升超过26%，其中智能体音视频与长程任务增益尤为明显：

• WildClawBench-MM 提升36.5分，AgenticVBench 提升22.3分；
• AliMeeting说话人分离错误率/词错率由88.11/89.61降至3.35/17.18；
• 智能体模式下OmniVideoBench准确率由63.4升至67.8，token消耗降低约45.7%。

会议场景支持最长一小时音视频输入，完成说话人切分、转录、纪要生成与邮件/编码等后续动作；实时版Qwen3.8-Omni-Flash-Realtime支持低延迟流式响应与空间音频线索。

影响与解读

API定价方面，小时级音频输入价格下调超98%、音视频输入下调超93%，被业界视为“能力跃升+低成本生产路径”的双击。阿里同时开源Qwen-Live Harness，降低实时连续多模态交互的接入门槛。

相关动态 / 展望

在Gemini、DeepSeek等同样押注长上下文与多模态的格局下，Qwen3.8-Omni-Flash以激进定价压缩推理毛利，有望加速“生产级全模态智能体”在会议、媒体生产、客服等场景的落地。

信息来源：Pandaily / AllWorld.Media