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平台提供服务。该模型可同时处理文本、图像、音频和视频输入，支持100万Token上下文，在保持同尺寸文本模型能力的同时，全模态能力较上一代实现显著跃升。
性能全面跃升：30项评测平均提升超26%
在累计30项评测中，Qwen3.8-Omni-Flash相比上一代Qwen3.5-Omni-Plus平均得分提升超过26%。在音视频Agent、Coding和长程任务方面表现尤为突出：
WildClawBench-MM提升36.5分
AgenticVBench提升22.3分
UniClawBench取得69.6分
基础能力方面，LongAudioSpan提升8.3分，OmniVideoBench提升9.6分，OmniCap-IF的CSR/ISR分别提升8.5/14.1分。会议场景中，AliMeeting的DER/cpWER从88.11/89.61降至3.35/17.18，说话人切分与转录准确率实现质的飞跃。
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“腰斩再腰斩”：音频输入成本暴降98%
定价方面，该模型全模态能力极具竞争力：百万Token图文音视频输入仅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%。这一价格策略大幅降低了长音视频处理场景的成本门槛。
长音视频理解：Token消耗降低45.7%
为支持长音视频处理，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%。模型支持按需描述、Agentic主动取证、会议任务推进和视频深度研究报告，可控音视频Caption可指定描述对象、时间范围、信息粒度和输出格式。
会议场景中，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。
内容生产全链路：从Music2MV到长电影解说
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，用户提供影片和一句话需求，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。
在模型自我优化实验中，Qwen3.8-Omni-Flash在12小时内尝试提升Qwen2.5-Omni-3B的四川话识别能力。它自主选定评测集，经4轮实验构建3413条训练数据，字符错误率从25.79%降至15.30%，相对下降约40.7%。
实时版首发“听声辨位”
同步推出的Qwen3.8-Omni-Flash-Realtime可在音视频流输入同时完成感知与响应，并结合实时上下文调用工具。官方称其为首个支持“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。它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，并可通过Skill注入身份设定、表达风格与交互规则。
Qwen3.8-Omni-Flash的发布，标志着全模态模型从“能同时处理多种模态”进入“能协同运用多种模态完成任务”的新阶段。真正值得关注的不是30项评测的26%提升，而是两个细节：一是Token消耗降低45.7%，说明模型学会了“有选择地看”；二是实时版的“听声辨位”，说明AI开始像人一样利用空间听觉信息理解环境。当全模态交互的成本降到足够低、能力提升到足够自然时，AI与物理世界的交互边界将被进一步打开。