答案已发布16 来源
Qwen3.8-Omni-Flash如何让音视频智能体更实用
Qwen3.8 Omni Flash已于2026年9月在Qwen AI平台上线，可在同一工作流中接收文字、图像、音频和视频，支持最高100万Token上下文。[2][1] 按千问官方公布的29项评测口径，其平均得分较Qwen3.5 Omni Plus提升超过25%；长视频任务可按需查找关键片段，减少不必要的处理。[12][16] 最长一小时的会议音视频、工具调用及配套开源工具，让它有望承担从理解内容到生成纪要、推进后续任务的流程；音频与音视频输入的每小时API费用也据称显著下降。[52][12]
发布者使用 GPT-6 Sol 编辑图片由 GPT Image 2 生成
研究答案
要点
- Qwen3.8 Omni Flash已于2026年9月在Qwen AI平台上线，可在同一工作流中接收文字、图像、音频和视频，支持最高100万Token上下文。[2][1]
- 按千问官方公布的29项评测口径，其平均得分较Qwen3.5 Omni Plus提升超过25%；长视频任务可按需查找关键片段，减少不必要的处理。[12][16]
- 最长一小时的会议音视频、工具调用及配套开源工具，让它有望承担从理解内容到生成纪要、推进后续任务的流程；音频与音视频输入的每小时API费用也据称显著下降。[52][12]
AI 提示
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Alibaba’s Qwen3.8 Omni Flash, launched on the Qwen AI platform in September 2026, and how do its native text, image, audio, and vide. Article summary: Alibaba’s Qwen3.8 Omni Flash is a September 2026 model available on the Qwen AI platform that accepts text, images, audio, and video natively in one workflow, with a context window of up to 1 million tokens.. Topic tags: general web, agents, ai, workflow, productivity. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake
如果交给AI的是一场会议录像，理想结果并不是一段笼统的“视频讲了什么”，而是找出谁说了什么、形成纪要，并整理下一步要做的事。阿里巴巴千问于2026年9月推出的Qwen3.8-Omni-Flash，正是朝这种“理解内容后继续执行”的全模态智能体工作流设计；该模型已可通过Qwen AI平台使用。2
52
它能处理什么？
Qwen3.8-Omni-Flash可在同一工作流中原生接收文字、图像、音频和视频，支持最高100万Token上下文。Token是模型处理内容时使用的计量单位；较大的上下文窗口有助于容纳更长的录音、视频及相关文字材料，但不等于每项任务都需要用满窗口。模型可以结合所见所闻进行推理，再通过工具调用推进任务，而不只是描述输入内容。1
2
16
这里要区分输入与输出：基础版可接收多种媒体，资料显示其输出为文字；能够以文字和音频回应实时音视频流的是另一个Realtime版本。5
1
长视频不必从头到尾逐帧细看
面对长视频，相关工作流可以围绕用户的问题，先定位可能有关的时段，再查看所需的画面或声音，而非持续处理每一帧。千问报告称，在OmniVideoBench上，这种选择性处理方式比静态理解方式少消耗51.8%的Token。这是一项特定评测结果，不能直接视为所有视频任务都能节省同等比例。12
16
性能方面，按千问官方公布的口径，Qwen3.8-Omni-Flash在29项评测中的平均得分比Qwen3.5-Omni-Plus高出超过25%。评测提升说明模型能力有所进步，但实际效果仍需结合具体素材与任务检验。12
一小时会议，是“看懂并办事”的例子
该模型原生支持最长一小时的音视频输入。在多人会议场景，它可以结合人物画面与语音，进行说话人区分、内容转录和身份对应；在此基础上，工作流可进一步生成纪要、梳理待办事项，并借助工具处理后续步骤。52
为让这些能力接入智能体工作流，千问扩展了开源的Qwen-MM-Plugins，支持长音视频的按需感知、工具调用与流程执行；另行开源的Qwen-Live Harness则面向持续的实时交互。配套工具开源，不应与基础模型权重已开源混为一谈。52
5
Qwen3.8-Omni-Flash-Realtime面向实时音视频交互，支持文字和音频输出，并增加多声道音频、视频聚合及远程MCP工具调用等能力。它适合需要边接收现场音视频、边回应或调用工具的场景；MCP在这里指供模型连接外部工具的协议。1
成本下降意味着什么？
按千问公布的API计费比较，音频输入的每小时费用下降超过98%，音视频合并输入的每小时费用下降超过93%。再加上长视频按需处理，反复感知媒体、查找证据并调用工具的流程，在成本上更有可行性。不过，这些是公布的比较数字，不是每个项目的最终账单：实际开支还取决于处理的媒体、消耗的Token、生成的输出及所用工具。12
16
Studio Global AI
继续你的研究
此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。
人们还问
“Qwen3.8-Omni-Flash如何让音视频智能体更实用”的简短答案是什么？
Qwen3.8 Omni Flash已于2026年9月在Qwen AI平台上线，可在同一工作流中接收文字、图像、音频和视频，支持最高100万Token上下文。[2][1]
首先要验证的关键点是什么？
Qwen3.8 Omni Flash已于2026年9月在Qwen AI平台上线，可在同一工作流中接收文字、图像、音频和视频，支持最高100万Token上下文。[2][1] 按千问官方公布的29项评测口径，其平均得分较Qwen3.5 Omni Plus提升超过25%；长视频任务可按需查找关键片段，减少不必要的处理。[12][16]
接下来在实践中我应该做什么？
最长一小时的会议音视频、工具调用及配套开源工具，让它有望承担从理解内容到生成纪要、推进后续任务的流程；音频与音视频输入的每小时API费用也据称显著下降。[52][12]