阿里通义千问发布Qwen3.8-Omni-Flash：首个多模态智能体模型

首个面向智能体范式的多模态原生模型

阿里巴巴通义千问团队于2026年9月正式发布Qwen3.8-Omni-Flash，宣称这是其首个围绕智能体（Agentic）能力构建的原生多模态模型。该模型统一处理文本、图像、音频与视频输入，输出为纯文本；其核心突破在于将音视频理解、多步推理与工具调用能力深度内嵌于单一模型架构中，形成「理解内容→规划任务→调用工具→交付结果」的闭环工作流。

架构与部署：基于Qwen3.8-Flash-Next，API即开即用

Qwen3.8-Omni-Flash构建于2026年8月已开源权重的Qwen3.8-Flash-Next基础架构之上。其上下文窗口达100万token（QwenCloud标注最大输入991K、最大输出131K，最大推理长度262K）。模型默认启用深度思考（reasoning_effort设为xhigh），亦可关闭。API同时兼容DashScope与OpenAI协议，支持Chat Completions、Responses API、函数调用、网络搜索、结构化输出、上下文缓存及批量请求。当前仅提供托管API服务，上线平台包括QwenCloud、阿里云Model Studio与Qwen Studio，尚未宣布开放模型权重，因此不支持本地部署。

智能体式长视频理解：聚焦关键片段，显著降本增效

针对传统视频模型需顺序遍历整段视频的低效问题，Qwen研究团队提出「问题驱动的粗粒度—细粒度证据采集」机制：模型从用户提问出发，自主决定观看/收听哪些片段，并通过多轮迭代聚焦关键区域，将计算资源与token消耗精准投向高价值内容。在OmniVideoBench基准测试中，该方法使准确率从63.4提升至67.8，token用量由145,736降至79,117，降幅达45.7%。

综合性能：多项基准大幅领先前代，对标Gemini 3.8 Flash

Qwen官方公布的29项评测平均分较Qwen3.5-Omni-Plus提升超25%。其中WildClawBench-MM提升36.5分，AgenticVBench提升22.3分，UniClawBench达69.6分，LongAudioSpan与OmniVideoBench分别提升8.3和9.6分，OmniCap-IF的CSR与ISR指标提升8.5和14.1分。团队称其音视频综合性能接近Gemini 3.8 Flash，音频单项表现更优；X平台总结其在WildClawBench-MM与UniClawBench上的平均提升为+19.5分。

成本与接入：音视频输入成本骤降，六地可用

QwenCloud定价为每百万输入token 0.15美元、输出token 0.47美元，隐式缓存命中成本为0.016美元/百万token。相比Qwen3.5-Omni-Plus，音频输入每小时成本降低超98%，音视频输入每小时成本降低超93%，视频输入token消耗减少约89%。Model Studio文档明确支持：视频文件上限2小时/2GB（URL方式）、音频上限3小时、支持113种语言及方言音频输入、视频采样率稳定支持至15fps、支持双声道立体声与四声道FOA空间音频。服务已覆盖北京、新加坡、香港、东京、法兰克福与弗吉尼亚六大区域。调用示例使用标准OpenAI SDK即可完成。

开源配套：Qwen-MM-Plugins与Qwen-Live Harness赋能工具链

因模型本身仅输出文本，音视频处理依赖外部工具。通义团队同步开源两大项目：Apache-2.0许可的Qwen-MM-Plugins，定位为「让任意智能体具备原生多模态能力」，以「Skill + 可选MCP服务器」形式模块化封装能力，支持Claude Code、CodeBuddy、Codex、Qoder、OpenClaw、Qwen Code及Gemini CLI等主流开发环境；另一项目Qwen-Live Harness则聚焦实时流式多模态交互。首批演示能力包括：omni-memory（构建长视频音视频记忆）、omni-video2note（将教程视频转为图文PDF）、omni-chatcut（支持音乐转MV、电影解说、说话人保真视频翻译）等。