Qwen3.8-Omni-Flash skal gjøre lyd og video nyttig for KI-agenter

En time med møteopptak kan romme både samtaler, presentasjoner og hendelser som bare vises på skjermen. Qwen3.8-Omni-Flash er Alibabas forsøk på å la én KI-modell forstå slikt materiale samlet og deretter bruke verktøy til å gjøre noe med det. Modellen ble lansert i september 2026, er tilgjengelig på Qwen AI-plattformen og tar imot tekst, bilder, lyd og video direkte. Kontekstvinduet er på opptil én million tokener – enheter modellen bruker til å behandle innhold. Grunnmodellen leverer tekst som svar. 125

Fra opptak til oppgave

Poenget er ikke bare å beskrive en video. I en arbeidsflyt kan en KI-agent lete etter relevant tale eller bestemte øyeblikk i opptaket, vurdere funnene og bruke verktøy for å lage et resultat. Modellen støtter blant annet møteopptak med lyd og bilde på opptil én time, der den kan skille mellom talere, transkribere innhold og knytte stemmer til personene på skjermen. 1652

For lange videoer kan agenten undersøke utvalgte deler fremfor å behandle alt fortløpende. Alibaba rapporterer 51,8 prosent færre tokener ved slik selektiv behandling enn ved statisk videoforståelse i testen OmniVideoBench. Selskapet oppgir også at modellen i gjennomsnitt scorer over 25 prosent bedre enn forgjengeren Qwen3.5-Omni-Plus på 29 evalueringer. Dette er rapporterte testresultater, ikke et løfte om samme effekt i enhver bruk. 1216

Verktøyene rundt modellen er også viktige

Alibaba har utvidet de åpne Qwen-MM-Plugins for å gi agentrammeverk tilgang til lyd- og videofunksjoner i lengre arbeidsflyter. Det separat utgitte rammeverket Qwen-Live Harness er åpen kildekode og retter seg mot løpende samhandling. En egen Realtime-variant støtter direkte lyd- og videoinndata, svar som tekst og lyd, flerkanalslyd, sammenstilling av video og eksterne MCP-verktøy. Disse sanntidsfunksjonene må ikke forveksles med tekstutdataene fra grunnmodellen. 1552

Lavere pris – men ikke en fast sluttsum

Ifølge Alibaba har API-kostnaden per time falt med over 98 prosent for lydinndata og over 93 prosent for kombinert lyd- og videoinndata. Sammen med selektiv videobehandling kan det gjøre agenter som stadig må lytte, se og bruke verktøy, rimeligere å drive. Den faktiske kostnaden vil likevel avhenge av hva som behandles, hvor mange tokener som brukes, hvilke svar som produseres, og hvilke verktøy arbeidsflyten benytter. 1216