Qwen3.8-Omni-Flash 是什么？1M 上下文音视频 Agent 能力解读

Qwen3.8-Omni-Flash 是千问（Qwen）在 2026 年 9 月 18 日上线的原生全模态模型，也是千问第一个围绕 Agent 能力构建的 omni 模型。它支持文本、图片、音频、视频四种输入，上下文 1M token，输出只有文本；音频输入成本比上一代 Qwen3.5-Omni-Plus 降幅超过 98%。这篇文章把官方规格表、跑分、真实价格和 API 接入方式整理成一份可以直接查的数据清单。

Qwen3.8-Omni-Flash 是什么：一句话定义

一句话说清：它是一个「能听懂、能看懂，然后自己动手」的模型。

过去的多模态模型做的是"理解全模态内容"：你给它一段视频，它给你一段描述。Qwen3.8-Omni-Flash 想往前再走一步，变成"规划任务、调用工具、完成创作"：你给它一段长视频加一句需求，它自己决定看哪几分钟、调什么工具、最后交出什么结果。

官方在发布说明里把这条路径总结为：音视频从模型的感知输入，变成 Agent 理解环境、开展推理并执行任务的核心载体。这也是它和普通多模态模型最大的区别。

Qwen3.8-Omni-Flash 核心规格一览

下面这张表的每个数字都来自千问官方模型库和阿里云百炼文档，可以直接当作选型依据。

有一处细节值得单独说：模型默认就开着深度思考，而且 preserve_thinking 默认开启。官方给的调法是，需要深挖复杂任务用 xhigh，想省钱提速就降到 low。它意味着你在做成本预算时，思考链路的 token 消耗必须算进去，不能只按输入长度估。

Qwen3.8-Omni-Flash 跑分：能力提升集中在音视频 Agent

官方在 29 项评测上做了对比，相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 25%。其中最值得看的几条：

涨幅最大的三项全在 Agent 方向（工具调用、音视频交互、联网搜索），说明这一代的升级重点不是"看得更清楚"，而是"更会干活"。AliMeeting 的 cpWER 从 89.61 掉到 17.18，是多人会议这种场景从基本不可用变成了可用，这条对做会议纪要产品的人价值最大。

它同时保留着同尺寸文本模型的能力：LiveCodeBench v6 拿 92.6、SWE-bench Pro 拿 63.3、GPQA Diamond 拿 91.0、IFBench 拿 81.5。也就是说你不必为了全模态能力额外牺牲一个文本模型。

Qwen3.8-Omni-Flash 价格：文本按 token 计费，音视频按小时省

价格是这次最实在的升级。官方口径是：API 每小时音频输入价格降幅超过 98%，每小时音视频输入价格降幅超过 93%。

文本 token 部分，按每百万 token 计算：

这里的口径要看准：上面是文本 token 的价目，音视频另有一套按素材时长估算的计费方式。官方给出的估算前提是，音频或音视频每小时价格按 2 分钟素材的输入成本乘以 30 计算，音视频采用 720p、1 fps。做预算时这两个口径不能混着算。

它到底能干什么：六个已经跑通的音视频 Agent 场景

官方演示里跑通的不只是"看懂视频"，而是一条条完整的生产流程：

• Video2Note（视频转图文笔记）：自动梳理知识结构、拆解关键步骤、筛选代表性画面，生成图文对应的 PDF 笔记，把几小时的视频压成可复习的文档。
• Omni Skill Creator（从演示里学技能）：录一段操作软件的视频丢进去，它就能把标准作业流程（SOP）提炼成可复用的 Agent Skill。录屏时可以同步解说"为什么这么做"，提炼出来的 Skill 会更准。
• Music2MV（音乐视频创作）：细粒度理解歌曲的结构、节奏、情绪、人声与乐器变化，输出带时间戳的句级歌词，让歌声、字幕与画面精准对齐。
• 短剧翻译：区分角色的台词识别、口语化翻译、角色克隆配音、音轨重混与成片质检串成一条流程，主打视频出海。
• 长电影解说：长视频全模态理解、关键情节提炼、解说规划、配音配乐、剪辑渲染与成片质检，还能自动穿插电影原声对白与解说配音。
• 长会议从记录到执行：原生支持最长一小时音视频输入，端到端完成说话人切分、内容转录与身份对应，再输出纪要、待办和风险，必要时继续调工具发邮件。

配套还开源了两个东西：Qwen-MM-Plugins 给 Agent 装多模态能力，支持 Codex、Claude Code、Qwen Code、Gemini CLI、Qoder、CodeBuddy、OpenClaw 等；Qwen-Live Harness 面向实时、持续的全模态交互。想自己搭音视频 Agent 流程的，这两个仓库是起点。

Qwen3.8-Omni-Flash 和 Gemini 3.8 Flash 怎么选

官方自己的表述是：音视频能力接近 Gemini 3.8 Flash，音频能力整体超过。把完整对照表拆开看，这个说法是准确的，但两家的强弱项很分明：

Qwen 明显领先的地方：多说话人识别（AliMeeting cpWER 17.18 对 53.1）、AISHELL-4（11.2 对 56.9）、音乐理解（MuchoMusic-RUL 72.6 对 53.7）、多模态工具调用（WildClawBench-MM 71.0 对 58.9）。

Gemini 仍然领先的地方：多模态工具调用 AgenticVBench（45.0 对 36.8）、联网搜索 OmniGAIA（78.6 对 74.0）、长视频推理 LVOmniBench（70.7 对 63.3）、音视频推理 Video-MME-v2（71.0 对 65.0）。

所以选型逻辑很清楚：做会议、语音、音乐、中文方言这类音频密集型任务，Qwen 更划算；做长视频理解、实时联网检索这类任务，Gemini 还是更强的一侧。想看同类评测方法论，可以对照我们整理的 AI Agent 评测指南，里面的指标口径和基准选取逻辑同样适用于全模态模型。

Qwen3.8-Omni-Flash 怎么接入：三种调用方式

模型兼容 OpenAI 规范的 Chat Completions 与 Responses 接口，接入成本和普通文本模型基本一致。下面是最小可运行示例，图片和音频可以同时传：

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image_url", "image_url": {"url": "https://example.com/frame.jpg"}},
            {"type": "input_audio", "input_audio": {"data": "https://example.com/clip.wav", "format": "wav"}},
            {"type": "text", "text": "这段素材里讲了什么，关键步骤在第几秒？"},
        ],
    },
]

completion = client.chat.completions.create(
    model="qwen3.8-omni-flash",
    messages=messages,
    extra_body={"enable_thinking": True},
    reasoning_effort="xhigh",
    stream=True,
)

for chunk in completion:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

三种接入方式各有用处：

• Chat Completions：最省事，适合把图片、音频、视频一次性塞进去做理解和分析。
• Responses：想用内置的 web_search 联网工具，或者需要 Session 级上下文缓存，走这条。
• Qwen3.8-Omni-Flash-Realtime：面向实时音视频流，边说边感知边响应。官方实测音频输入 6 秒场景的首 token 延迟约 591 毫秒，音视频 6 秒场景约 838 毫秒。做实时客服、口语陪练、导航这类场景用它。

想横向了解多模态模型怎么选，可以顺带看 微信开源多模态嵌入模型 WeMM-Embedding 的对比；如果拿到模型之后要接进编程 Agent，Everything Claude Code 完整教程 里的插件装配思路可以直接复用。

三个容易被误读的点

这三条是官方宣传里最容易让人预期错位的地方，选之前先清楚：

第一，输出只有文本，它不会直接给你成片。 它能做的是理解素材、制定剪辑安排、调用工具链；真正截取、排列、导出还得靠剪辑软件和上层应用。官方演示的 MV、解说、翻译成片，都是"模型加插件加 Harness"的组合结果，不是模型单独吐了一个视频文件。

第二，1M token 不等于 1M 汉字，也不等于任意长度视频都能读全。 token 是模型处理信息的单位，中文大致 1 个汉字对应 1 到 2 个 token 不等，叠加音视频帧的消耗，实际可用长度要打折扣。

第三，文本 token 价和音视频时长价是两套账。 只盯着"输入 USD 0.113/百万 token"会严重低估长视频场景的成本，音视频部分要按每小时口径单独算。

这三个点想明白，再决定要不要把它放进你的产品链路，会少踩很多坑。

总结

Qwen3.8-Omni-Flash 的价值不在"又一个多模态模型"，而在于它把音视频从感知输入变成了 Agent 的执行载体：1M 上下文让它能装下长素材，Agentic 能力让它能自己规划取证，98% 的音频降幅让它终于能被规模化调用。

如果你的产品里涉及会议纪要、课程切片、短剧出海、长视频解说这类音视频长流程工作，它是目前中文生态里最值得先跑一遍的原生全模态模型。跑之前记住三件事：输出只有文本、token 不等于汉字、音视频计费另算一套账。

参考来源

• Qwen 官方技术博客：Qwen3.8-Omni-Flash 发布说明
• 阿里云百炼：qwen3.8-omni-flash 模型说明
• Alibaba Cloud Model Studio：模型定价页
• Qwen-MM-Plugins 开源仓库

---

最后更新时间：2026 年 9 月 20 日 · 作者：AI345