Qwen3.8-Omni-Flash：不只看懂影音，還要讓 AI 主動找線索、調工具做事

Qwen3.8-Omni-Flash 是阿里巴巴 Qwen 推出的新一代原生全模態模型。它能在同一個最長 100 萬 Token 的上下文視窗中接收文字、圖片、音訊與影片，目標是處理需要理解混合媒體、規劃步驟並調用工具的生產力任務；目前輸出型態為文字。 17

對一般使用者或團隊而言，真正值得注意的不只是「能上傳影片」。它試圖把錄音中的談話、畫面上的簡報與操作示範、聊天室文字及時間點等線索放在一起判讀，再產出可執行的文字結果。

「原生全模態」實際改變了什麼？

Qwen 所說的原生全模態，重點在於模型原生接受文字、圖片、音訊與影片輸入，並以整合式處理這些資訊的工作流程為目標，而不只是個別支援圖片或影片上傳。 17

例如，一場會議錄影可能同時包含：

• 與會者口頭討論
• 螢幕分享中的簡報或試算表
• 軟體操作示範
• 聊天訊息與時間戳記

在理想情況下，使用者可要求模型找出「某張投影片出現時做了哪項決定」，再生成會議摘要、待辦事項或結構化追蹤清單。這類任務的難點不只在聽懂語音或辨識畫面，而是要把跨媒體、跨時間的證據連起來。

Qwen 將它定位於程式開發、知識工作、圖形使用者介面（GUI）操作、影片剪輯、音樂錄影帶創作、影視製作與旁白、多媒體摘要及音視訊對話等應用。不過，這些是官方鎖定的使用情境，並不等同於每一類任務都有相同品質保證。 17

與 Qwen3.5-Omni-Plus 相比，官方說提升多少？

阿里巴巴表示，Qwen3.8-Omni-Flash 在約 30 項公開及內部基準測試上的平均成績，較上一代 Qwen3.5-Omni-Plus 高出逾 26%。其中，音視訊 Agent 與長步驟任務的增幅較顯著：WildClawBench-MM 增加 36.5 分，AgenticVBench 增加 22.3 分。 40

這些數字可用來理解本次產品想強化的方向：從「辨識影音內容」進一步走向「根據影音內容規劃、搜尋與執行任務」。但也必須留意，這些是供應商公布的基準結果；現有資料不足以證明它已在各種真實商業工作負載中，接受過獨立且同條件的全面驗證。

長影片的關鍵：讓模型主動找重點

分析長錄影成本高，若模型以固定頻率讀取每一幀或每一段，往往會消耗大量上下文 Token，卻未必能抓到真正關鍵的時刻。

Qwen 對此提出的作法是 Agentic Perception（代理式感知）：模型可依照問題主動探索影片，尋找與任務相關的片段，而非只依賴固定、靜態的取樣方式。 40

官方稱，在 OmniVideoBench 上，這種方式能在提高準確度的同時，比靜態理解少用 51.8% 的 Token。 40 若能轉化至實際工作場景，長時間會議錄影、教育訓練影片、產品展示與影音檔案庫，都可能更適合用 AI 搜尋與分析。

不過，Token 節省幅度與準確率仍會受到影片內容、提問方式，以及 Agent 和工具配置影響。單一基準上的結果，不能直接視為所有長影片任務都必然達到相同比例的節省。

工具調用與 Agent 整合才是完整系統

Qwen 將這個模型描述為從多模態「理解」走向可規劃任務、調用工具並完成工作的 Agent。 17 配套專案 Qwen-MM-Plugins 的定位，則是讓既有 Agent 執行框架具備原生多模態能力；其儲存庫文件也顯示，Qwen3.8-Omni-Flash 已被設為預設 Omni 模型。 5

對開發團隊來說，模型本身只是其中一環。實用的導入還需要 Agent 框架能夠：

• 正確傳遞音訊、圖片與影片資料
• 保留跨媒體的上下文與時間關係
• 在合適時機調用搜尋、資料庫或其他工具
• 將結果輸出成可供人員跟進的格式

換言之，模型是否「看得懂」很重要，但能否穩定接入工作流程、產出可採取行動的內容，同樣決定最終價值。

它適合什麼，又不適合什麼？

Qwen3.8-Omni-Flash 適合從多模態證據整理出文字成果，例如摘要、可搜尋筆記、決策擷取、內容分析，以及工具驅動的任務執行。由於官方文件列出的輸出是文字，不應把它直接視為可即時生成語音回覆的助手替代品。 17

同樣地，現有資料也不足以可靠說明另一個可能被提及的 Qwen3.8-Omni-Flash 即時版本，或另行提到的 Qwen-Live Harness 在功能與授權上的細節。若要進入實作與採購決策，應先查核最新官方產品文件。

結論：100 萬 Token 只是入口，重點是影音 Agent 能否完成工作

Qwen3.8-Omni-Flash 最核心的賣點，不只是 100 萬 Token 上下文，而是試圖在一個模型中結合長上下文、混合媒體理解與代理式任務執行。官方與 Qwen3.5-Omni-Plus 的比較顯示，其音視訊 Agent 與長影片任務能力有明顯進步，但所有效能數據仍應視為供應商報告。 1740

對需要處理會議錄影、培訓素材或其他混合媒體內容的團隊，最有意義的評估方式仍是實測：它能否找到正確證據、維持跨模態脈絡、調用必要工具，並針對你的特定流程產出可靠的文字結果。