阿里千问在8月18日上线了新一代全模态模型Qwen3.8-Omni-Flash。这个模型能同时处理文本、图像、音频和视频，支持100万token的超长上下文，已经在千问AI平台开放体验。最直观的变化是：30项评测的平均得分比上一代Qwen3.5-Omni-Plus提升了超过26%。
这代模型最值得关注的是音视频能力的集中爆发。官方说它的音视频综合能力已经接近Gemini3.8Flash，音频能力整体上还超过了对方。具体到评测数据，在音视频Agent、编程和长程任务方面，WildClawBench-MM提升了36.5分，AgenticVBench提升了22.3分，UniClawBench拿到69.6分。基础能力上，LongAudioSpan提升8.3分，OmniVideoBench提升9.6分。会议场景的指标变化最夸张：AliMeeting的DER和cpWER从88.11和89.61直接降到3.35和17.18——简单说，以前几乎没法用的会议转录，现在能听清谁在说什么了。
价格是另一个让人坐不住的数字。API每小时音频输入价格降幅超过98%，音视频输入价格降幅超过93%。这个降法基本等于把门槛拆了。
为了让模型能跑长流程任务和实时交互，千问扩展了Qwen-MM-Plugins工具集，还开源了Qwen-Live Harness。在Agentic Understanding模式下，OmniVideoBench准确率从63.4%升到67.8%，但token消耗从145736降到79117，省了大约45.7%——意思是它变聪明了，同时变省钱了。
有个细节挺有意思：团队把模型用在了研发环节本身。它在12小时内自主完成了评测集选择、数据构建和4轮迭代，累计造出3413条训练数据，把Qwen2.5-Omni-3B的四川话识别字符错误率从25.79%压到15.30%，相对下降约40.7%。模型自己训练自己，这个循环开始转起来了。
同步推出的Realtime版本号称是首个支持“听声辨位”的全模态大模型——它不只能听清你说什么，还能判断声音从哪个方向来。
从这次更新能看出两条线：一是全模态模型正从“能处理多种输入”往“能完成复杂工作流”走，视频剪辑、MV创作、影视解说这些需要综合判断的场景被专门优化了；二是成本曲线在急速下坠，音视频API价格降幅超过九成，意味着实时音视频Agent应用可能很快会多起来。千问这次把音视频Agentic能力单独拎出来打，对标Gemini的意图也很明显。全模态赛道的竞争，接下来会比拼谁能让模型真正动手干活，而不只是看懂听懂。