阿里巴巴 Qwen3.8-Omni-Flash：由理解音畫到交付結果

Qwen3.8-Omni-Flash 是阿里巴巴於 2026 年 9 月推出、可透過 Qwen AI 平台使用的原生多模態模型。你可以在同一個工作流程交給它文字、圖片、音訊和影片，讓它結合所見所聞理解內容，再規劃步驟、調用工具和交付結果。它支援最多 100 萬 token 的上下文視窗；token 是模型處理內容時使用的計量單位，這個上限並不等於每段影片都會被完整逐格分析。2116

睇長片：先搵重點，唔一定由頭睇到尾

對多模態 AI 代理來說，關鍵不只是「識睇片」，而是能按任務找出要核對的畫面和聲音，再決定下一步。Qwen3.8-Omni-Flash 的長影片處理可選擇相關時段取證，避免持續處理每一格畫面。阿里巴巴報告，在 OmniVideoBench 上，這種做法較靜態理解方式少用 51.8% token。這是指定測試的結果，不代表所有影片都能節省同樣比例。16

官方另稱，模型在 29 項評測的平均得分較上一代 Qwen3.5-Omni-Plus 提升 逾 25%。評測成績反映比較條件下的表現，實際效果仍要看任務和輸入材料。12

一小時會議：由辨認發言者到跟進事項

這個模型原生支援最長一小時的音畫會議輸入，可結合人物畫面與語音，辨認不同發言者、轉錄內容，並把發言與人物對應。再配合工具調用，工作流程便不止於描述錄影，而是可以整理會議紀要及後續工作。5216 100 萬 token 上下文則讓模型有空間處理較長、混合不同媒體的材料；它是上下文容量，不應與單段音畫輸入的時長限制混為一談。152

開發工具與即時版，各自做甚麼？

擴充後的開源 Qwen-MM-Plugins，旨在讓 AI 代理框架加入音畫處理能力，支援長流程中的按需感知、工具調用和任務執行。另行開源的 Qwen-Live Harness 則面向持續、即時的多模態互動。521

如果場景需要邊接收邊回應，另有 Qwen3.8-Omni-Flash-Realtime：它支援即時音訊和影片互動，輸出文字及音訊，並加入多聲道音訊、影片聚合及遠端 MCP 工具支援。這些是即時版本的功能，不能直接當作一般版也會輸出語音。15

費用下降，是否代表部署一定平？

阿里巴巴稱，以每小時計，音訊輸入的 API 費用下降 逾 98%，音畫輸入下降 逾 93%。連同長影片按需處理，這令需要反覆「看、聽、判斷、用工具」的 AI 代理，在成本上更有實際應用的可能。1216 不過，這些是官方公布的比較數字；真正的部署開支仍取決於處理了甚麼媒體、用了多少 token、產生多少輸出，以及調用了哪些工具。