Qwen3.8-Omni-Flash 模型介绍

一句话定位：阿里千问 2026 年 9 月 18 日上线的原生全模态模型——文本、图像、音频、视频一起进，文本出来，100 万 token 上下文、单次可吞 1 小时音视频，官方称音视频输入价格比上一代降了 93% 以上。它的价值不在跑分，在「把长音视频处理这件事从奢侈品变成日用品」；代价是它目前没有 Artificial Analysis 智能指数，第三方数据只有零星几家，且推理类任务被明确标为短板。
整理日期：2026-10-27 ｜资料来源见文末

项目	信息
模型 ID	`qwen3.8-omni-flash`
发布时间	2026-09-18（千问 AI 平台 / 阿里云百炼同步上架）
厂商	阿里巴巴 / 通义千问
定位	长音视频理解 + 全模态 Agent 执行（离线批量，非实时）
上下文	1,000,000 tokens（最大输入 991,808；思考模式 983,616）
最大输出	131,072 tokens
单次时长上限	1 小时连续音频或音视频
模态	输入：文本 / 图像 / 音频 / 视频；输出：仅文本
推理档位	`xhigh`（默认）/ `medium` / `low`
语音能力	识别 74 种语言 + 39 种方言（合计 113）；输出侧不支持语音（语音输出在 Realtime 版）
官方定价（国际区）	输入 $0.15 / 输出 $0.47 / 缓存输入 $0.016（每百万 tokens）
官方定价（国内区）	输入 0.8 元 / 输出 2.7 元（每百万 tokens）
权重	❌ 未开源，API-only
AA 智能指数	⚠️ 暂无（榜单上没有它的行）

⚠️ 三个必须先分清的东西

这篇文章讲的是离线版 qwen3.8-omni-flash。同一个名字下有三个容易混的对象：

qwen3.8-omni-flash（本文）——离线批量，长音视频理解，只输出文本；

qwen3.8-omni-flash-realtime——走 WebSocket / WebRTC 的实时双工版，能输出语音，延迟和计费都是另一套，单篇见 Qwen3.8-Omni-Flash-Realtime 模型介绍；

qwen3.8-flash——完全不同的纯文本/多模态文本模型（125B 总参 / 激活 6B）。搜索时最常见的错误，就是把它的 AA 指数（40 分）当成 Omni 版的分数。Omni 版在 AA 上没有任何数据。

一、官方上线介绍

1.1 它到底能吃进什么、吐出什么

官方对它的定义很干脆：「支持文本、图像、音频和视频输入，输出文本」。三个"不能"必须提前说清：

❌ 不能生成视频

❌ 不能输出语音（这是 Realtime 版的事）

❌ 不能本地部署——权重没放出来，只能走 API

能做的部分则很扎实：官方示例里的任务包括按说话人归属的会议纪要、结构化 JSON 视频描述、影视解说脚本、短剧译制、音视频转图文笔记，以及"看教程视频 → 查资料 → 写一份图文报告"这种多步取证。

1.2 三个让它变便宜的设计

官方的成本叙事不是"我们降价了"，而是"我们把 token 花在了该看的地方"。三处设计值得单独拎出来：

① 按需感知，不逐帧处理。 传统做法是整段视频全帧编码，答案可能只在其中 3 分钟里。Qwen3.8-Omni-Flash 让 Agent 从问题出发，自己决定"该看哪一段、该听哪一段"，由粗到细多轮取证。官方在 OmniVideoBench 上的对比很直白：准确率从 63.4% 提到 67.8%，同时单次查询 token 从 145,736 降到 79,117（降 45.7%）。准确率涨、成本降，这种组合在基准里不常见。

② 把计算和记忆搬到模型外面。 官方架构图里，前端由 Qwen-VASD / Qwen-VAED 负责把连续音视频流切成段，一致性记忆与音视频记忆放在模型之外，工具和子智能体由运行时挂载。这也是它敢接 1 小时长输入的工程基础。

③ 音视频 token 压缩得更狠。 官方口径是每小时音频输入价格降幅超 98%、每小时音视频输入降幅超 93%（对比 Qwen3.5-Omni-Plus）。

1.3 官方公布的完整成绩单

以下全部为阿里自测，基准对象是上一代 Qwen3.5-Omni-Plus：

基准	结果	说明
30 项评测均值	+26%	官方给出的总结论
WildClawBench-MM	34.5 → 71.0	音视频 Agent 主基准，+36.5 分
AgenticVBench	+22.3 分（绝对值 36.8）	智能体视频理解
UniClawBench	69.6	长程任务
AliMeeting（多说话人）	DER 88.11 → 3.35，cpWER 89.61 → 17.18	降幅极大，但见 §2.3 的保留意见
LongAudioSpan	+8.3 分	长音频理解
OmniVideoBench	63.4 → 67.8	同时 token 降 45.7%
OmniCap-IF	CSR / ISR 分别 +8.5 / +14.1	可控描述质量

1.4 官方对标 Gemini 3.8 Flash：赢一半、输一半

官方表述是"音视频能力接近 Gemini 3.8 Flash，音频能力整体超过"。把具体分项摊开看，这句话是准确的，但它同时意味着另一半是输的：

基准	Qwen3.8-Omni-Flash	Gemini 3.8 Flash	胜负
WildClawBench-MM（音视频 Agent）	71.0	58.9	✅ 赢 12.1
SpotSoundBench（声源定位）	67.2	39.7	✅ 赢 27.5
AgenticVBench（智能体视频）	36.8	45.0	❌ 输 8.2
OmniGAIA	74.0	78.6	❌ 输 4.6

读懂这张表的正确方式：凡是"听声音、认场景、定位声源"的活，它更强；凡是"看视频做多步智能体操作"的活，Gemini 更强。而且这些对比数字全部出自阿里自家博客，没有第三方复现。

二、开发者实测感受

上线一个多月，社区反馈不算多但很有信息量。我把"厂商口径"和"真实踩坑"分开列。

2.1 dev.to 的生产接入笔记：token 账比单价重要

一位把它接进生产流程的开发者（Ryan Cole）给了两份很实用的清单。

真香的场景：会议智能、长视频分析、媒体检索、多模态研究 Agent、培训视频抽取、客服录音分析——凡"模态之间的关系本身才是问题"的场景都合适。

别硬上的场景：批量转写（有更便宜的 ASR）、单图分类（VL 模型更便宜）、答案本来就在文本里的任务。

他踩过的七个坑（原文表格，值得照抄）：

症状	原因	处理
401	key 缺失或区域不对	检查环境变量与 key 所属地域
模型不可用	地域/账号未开通	确认该地域与账号已开通
媒体拉不到	URL 在服务侧不可达	用公网可达的地址
简单任务也慢	默认 xhigh 档	降到 medium / low
成本偷偷爬升	媒体体积大、历史上下文保留过多	裁剪上下文，审 `preserve_thinking`
立体声位置没被识别	多通道没开	打开 `use_multichannel`
输出发散	视频问题的范围太宽	要求事件、时间戳、输出格式

其中最值钱的一条是 preserve_thinking：它默认开启，多轮 Agent 里保留推理状态确实能让结果更连贯，但保留的每一个 token 都在后续每一轮当输入重新计费。他的原话是——「Carrying reasoning state forward improves coherence… but every retained token is an input token you're paying for on every subsequent turn.」

另一个可量化的小结论：同一张 1024×1024 图片，上一代折算约 1200+ token，Qwen3.8-Omni-Flash 大约 700–800。单张小数目，量大就是真金白银。

2.2 中文实测的三处硬伤

国内一篇标题带"实测"的文章（今日头条，价格写的是国内区 0.8 元/百万 token）给了三个具体问题，都属于"能忍但必须知道"：

专业术语识别率不够——转写后仍要人工校对术语；

视频关键帧提取不够智能——"有时候会提取到无关紧要的帧，或者漏掉重要的画面"，应对方式是手动指定关键时间点；

长视频处理速度一般——这是它的定位取舍（离线批量而非实时）。

它给的分人群建议也算中肯：个人开发者/小团队"强烈推荐"，中型企业"值得尝试但要留人工校对环节"，对准确性要求极高的场景"谨慎使用，先小范围试用"。

2.3 三杯必须泼的冷水

冷水一：AliMeeting 那个 88% → 3.35% 要打折看。 有中文技术分析指出，这项改进里有相当一部分来自模型外围的前端工程（切分、聚类），而不完全是模型内部能力。同一份基准、换一套前端，结论会变。

冷水二：开源声明当时无法验证。 官方同步宣布开源 Qwen-MM-Plugins 与 Qwen-Live Harness。Hacker News 上有人当场报 Qwen-Live-Harness 的 GitHub 链接 404，随后另一位用户确认"仓库看起来被移除了"。Qwen-MM-Plugins 是真实可用的，Live Harness 这一条在当时的公开状态是「声明存在、链接不可达」。

冷水三：它在 AA 上没有任何分数，任何"综合智能 40 多分"的说法都是串行。 那是 qwen3.8-flash 文本模型的分数。第三方评测平台给出的早期数据（邮件分类 99%、伦理 95% 但只排 23 百分位、推理 56% 排 28 百分位、速度 21 百分位、成功率 89%）连发布日期都标错了两天，只能当"有人跑过"，不能当"测量过"。

2.4 官方那个"模型调模型"实验的值与不值

阿里给它的一个附加任务是：12 小时内把 Qwen2.5-Omni-3B 的四川话识别能力提上来。它自己选了 WenetSpeech-Chuan 评测集、自定标准、跑基线、听音频样本诊断问题、构建训练数据，四轮实验累计 3,413 条训练样本，保留有效改动、回滚无效尝试，最终同一评测集上的字符错误率 25.79% → 15.30%（相对降 40.7%）。

值得注意，但适用范围要跟着读：单一方言、单一模型、四轮实验的一次跑法；评测集由模型自己选定；没有人类工程师同时间基线，也没公开这条流水线的算力与 token 成本。所以它是一个"这条路能走通"的存在性证据，不是一个可复现的效能读数。

三、核心优势

长音视频的边际成本真的被打下来了：单次 1 小时音视频 + 按需感知，官方口径音视频输入降 93%+、音频输入降 98%+。会议、课程、影片这类"内容长、答案短"的场景第一次算得过来。

准确率与 token 同向优化：OmniVideoBench 上准确率 63.4% → 67.8%，token 同时降 45.7%。这不是靠省钱换质量。

1M 上下文 + 1 小时输入的组合很稀缺：不需要自己切片、拼接、对齐时间码，少了最大一块胶水代码。

多说话人端到端：说话人切分、转写、身份对应一次完成，还能用画面信息消解音频里的指代歧义。

音频能力确实强：WildClawBench-MM 与 SpotSoundBench 对 Gemini 3.8 Flash 都是大幅领先（71.0 vs 58.9、67.2 vs 39.7）。

视觉 token 更省：同尺寸图片约 700–800 token，比上一代 1200+ 少约四成。

协议干净：兼容 OpenAI 的 Chat Completions 与 Responses，reasoning_effort 三档可调，接入成本低。

官方工具链是真开源：Qwen-MM-Plugins 覆盖 Video2Note（视频转 PDF 笔记）、Omni Skill Creator（演示视频转 Agent Skill），且刻意适配 Codex / Claude Code / Gemini CLI 等竞品框架。

四、适合用在哪

会议与访谈：1 小时音视频直读，输出带说话人、待办与风险的纪要。

课程 / 教程视频转文档：长视频 → 结构化笔记，这是 Video2Note 已经在做的事。

影视与短视频内容生产：影片解说脚本、短剧译制、音乐到 MV 的分镜规划。

长视频取证式问答：不看完整个视频，只回答"第几分钟说了什么"。

客服与质检录音分析：音文情感一致性判断是它的强项。

以视频为中心的深度研究：从一段教程出发，检索网页/图片/文档，产出图文报告。

多模态批处理：图文理解、图表解析、音视频描述生成（结构化 JSON）。

⚠️ 明确不该用的四类：
批量纯转写——专用 ASR 更便宜；
单图分类——VL 小模型更划算；
要输出语音——用 Realtime 版；
答案本来就在文本里——别绕一圈走多模态。

五、劣势与注意事项

🔴 没有第三方智能指数：AA 榜上没有它，任何"综合分数"引用都要先确认是不是把 qwen3.8-flash 的 40 分搬过来了。

🔴 官方基准全是自测且以自家上一代为锚：+26% 是"比 Qwen3.5-Omni-Plus 好"，不是"比你在用的模型好"。跨模型比较只有 §1.4 那四行，还都是厂商口径。

🔴 智能体视频能力弱于 Gemini 3.8 Flash：AgenticVBench 36.8 vs 45.0、OmniGAIA 74.0 vs 78.6。多步视觉 Agent 场景别默认选它。

🔴 只输出文本：要语音得切 Realtime，两套 ID、两套计费，工程上不是换个参数那么简单。

⚠️ 关键帧提取不可靠：实测会抓无关帧、漏关键画面，要人工指定时间点。

⚠️ 专业术语转写需校对：直接用会有错词，交付前留一道校对。

⚠️ 长视频处理偏慢：离线批量的定位决定了它不适合"等 10 秒出结果"的交互。

⚠️ 默认 xhigh 思考档会烧钱：简单抽取任务务必显式降到 low / medium。

⚠️ preserve_thinking 默认开启：多轮对话里每一轮都在为历史推理 token 付费，长会话要主动裁剪。

10.

⚠️ 未开源权重，单点供给：只能走阿里云 API，地域与账号开通状态都会影响可用性。

11.

⚠️ 计数与精细区分类任务仍会出错：多相似物体计数是这一类模型的通病，精度要求高的场景要后处理校验。

六、推荐总结

推荐给谁

你的情况	建议
会议录音/录像 → 纪要 + 待办	✅ 最核心场景，1 小时直读不用切片
长视频 → 图文笔记 / 研究报告	✅ Video2Note 这条路径已被官方跑通
音视频内容生产（解说、译制、分镜）	✅ 音视频联合理解是它的长项
客服录音质检、情感一致性判断	✅ 音频侧能力对 Gemini 3.8 Flash 领先
音频/声源定位类任务	✅ SpotSoundBench 67.2 大幅领先
视频多步 Agent 操作	⚠️ 弱于 Gemini 3.8 Flash，建议另选
批量纯转写	❌ 用专用 ASR 更便宜
需要语音输出	❌ 改用 Realtime 版
需要引用权威智能排名做决策	❌ 它没有 AA 分数，别硬排

一句话建议：把它当「音视频的批处理引擎」，不要当「全能选手」。 会议、课程、影视、质检这四类"内容长、答案短、要跨模态对齐"的活，它是当前最算得过来的选择之一；但凡涉及多步视觉 Agent、语音输出、或者是需要一张公认排行榜来背书选型，都得换路子。

在珂艾网关怎么调

项目	值
模型 ID	`qwen3.8-omni-flash`
计费	按量（token）
上下文	1M / 最大输出 131K / 单次最长 1 小时音视频
模态	文本 + 图像 + 音频 + 视频输入，文本输出
分组	`Self-Deployed-2`、`Self-Deployed-3`、`Alibaba-3`
分组价（输入 / 输出，每百万 tokens）	`Self-Deployed-2` 约 $0.0938 / $0.2938 ｜ `Self-Deployed-3` 约 $0.1406 / $0.4406 ｜ `Alibaba-3` 约 $0.2063 / $0.6463
建议	长音视频批量处理走最便宜的分组；先跑 3–5 条真实素材校准关键词与时间点提示

🔑 三条省钱纪律：① 简单抽取任务显式设 reasoning_effort: low；② 长会话裁剪历史，别让 preserve_thinking 无限累积；③ 视频提问要带时间戳与输出格式，范围越窄 token 越省。
⚠️ 价格按 2026-10-27 核对，实际单价以珂艾价格页该模型的分组价格为准；分组不同价差可达两倍以上。

七、来源

官方 / 一方

Qwen 官方博客 — Qwen3.8-Omni-Flash: Omni Senses. Agentic Delivery.（基准、架构、Realtime 延迟表、语种列表）：https://qwen.ai/blog?id=qwen3.8-omni-flash

阿里云百炼 — qwen3.8-omni-flash 模型文档（上下文、最大输入输出、多通道音频、思考档位）：https://www.alibabacloud.com/help/en/model-studio/qwen3-8-omni-flash

阿里巴巴官方新闻室 — Alibaba Unveils Latest Multimodal Models（定位、1M 上下文、降价幅度、开源 Qwen-MM-Plugins / Qwen-Live Harness）：https://www.alizila.com/alibaba-unveils-latest-multimodal-models-to-unleash-more-productivity-potential

千问官方公众号 — Qwen3.8-Omni-Flash：从理解到交付，释放全模态 Agent 生产力（AliMeeting、OmniVideoBench、模型调模型实验细节）：https://mp.weixin.qq.com/s?__biz=Mzk0ODg4NDI5NA==&mid=2247490307&idx=1&sn=bb7bdadbb8db4a5d50e9c8c12277d169

阿里云百炼 — 模型调用价格（国内区 0.8 / 2.7 元每百万 tokens）：https://docs.bailian.console.aliyun.com/zh/model-studio/tongyi-qianwen-series-models-price-adjustment

珂艾网关 — 当前在架模型与价格页（本文网关分组价据此核对，实际单价以价格页为准）

第三方评测与实测

DEV Community — Qwen3.8-Omni-Flash: Field Notes on a 1M-Context Omnimodal Endpoint（生产接入清单、七个失败模式、图片 token 折算）：https://dev.to/ryancole1/qwen38-omni-flash-field-notes-on-a-1m-context-omnimodal-endpoint-3b10

OrcaRouter — Qwen3.8-Omni-Flash 上线五天：一个入口、没有权重、首批并非出自阿里的评分（AA 无分数、第三方早期数据、上下文上限、单来源风险）：https://www.orcarouter.ai/zh-CN/blog/qwen-3-8-omni-flash-api-access

BenchmarkList — Qwen3.8-Omni-Flash 基准总览（19 项分数与百分位、$0.15/$0.47 与 $0.016 缓存价）：https://benchmarklist.com/models/qwen-qwen3.8-omni-flash

10.

Neodrop — 1M 上下文、1 小时音视频输入、0.2 美元/小时（延迟表逐项拆解、"首个听声辨位"的官方自述属性）：https://neodrop.ai/zh-cn/post/T-HyoMPGRws

11.

TechStacks — Qwen 3.8 Omni Flash 社区讨论汇总（Live Harness 链接 404、对价格性能的正面评价）：https://techstacks.io/posts/19804/qwen-3-8-omni-flash

12.

HN Distilled — Qwen 3.8 Omni Flash 讨论摘要（社区对量化/服务 bug 与开源节奏的抱怨）：https://hndistilled.com/story/49747925

13.

今日头条 — 阿里 Qwen3.8-Omni-Flash 实测：音视频输入 0.8 元/百万 Token（专业术语、关键帧、长视频速度三处问题、分人群建议）：https://m.toutiao.com/article/7686802976408781327

14.

freeai.help — Qwen's New Omni Model Slashes Audio Costs 98%（AgenticVBench / OmniGAIA 落后 Gemini 的对照）：http://freeai.help/blog/qwens-new-omni-model-slashes-audio-costs-98_en

15.

百度百科 — Qwen3.8-Omni-Flash（上线时间线、云栖大会、地域与输出模态）：https://baike.baidu.com/item/Qwen3.8-Omni-Flash

说明：本篇的价格、基准多为厂商自报或第三方独立测算，已逐条标注口径；⚠️ 该模型在 Artificial Analysis 上没有智能指数，搜索中出现的"40 多分"属于 qwen3.8-flash 文本模型，请勿混用。模型迭代快，最终以官方页面与网关实时价格为准。

Qwen3.8-Omni-Flash 模型介绍

⚠️ 三个必须先分清的东西#

一、官方上线介绍#

1.1 它到底能吃进什么、吐出什么#

1.2 三个让它变便宜的设计#

1.3 官方公布的完整成绩单#

1.4 官方对标 Gemini 3.8 Flash：赢一半、输一半#

二、开发者实测感受#

2.1 dev.to 的生产接入笔记：token 账比单价重要#

2.2 中文实测的三处硬伤#

2.3 三杯必须泼的冷水#

2.4 官方那个"模型调模型"实验的值与不值#

三、核心优势#

四、适合用在哪#

五、劣势与注意事项#

六、推荐总结#

七、来源#