Alibaba's Qwen launches Qwen3.8-Omni-Flash with 90%+ AV price cuts
Qwen3.8-Omni-Flash accepts text, image, audio and video with 1M context, scores 25%+ higher than its predecessor across 29 evaluations, and cuts per-hour audio input pricing by 98%+; Qwen-MM-Plugins also open-sourced.
阿里千问当地时间 9 月 18 日正式上线新一代原生全模态模型 Qwen3.8-Omni-Flash，统一处理文本、图像、音频和视频输入，并支持 1M 长上下文。
在累计 30 项评测中，模型相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 26%。其中长音频理解 LongAudioSpan 提升 8.3 分，音视频理解 OmniVideoBench 提升 9.6 分，音视频 Agent、Coding 与长程任务的 WildClawBench-MM 与 AgenticVBench 分别提升 36.5 分和 22.3 分，UniClawBench 取得 69.6 分。
官方表示模型在音频能力上整体超过 Gemini 3.8 Flash，音视频能力接近该模型；支持 113 种语言及方言识别、36 种语言及方言生成。阿里同步开源 Qwen-MM-Plugins 与 Qwen-Live Harness，分别面向长程工作流与实时交互场景，并开放 Realtime 实时版用于实时口语陪练。
价格层面，API 每小时音频输入价格降幅超 98%，每小时音视频输入价格降幅超 93%。在 Agentic 视频理解方式下，Token 消耗相比静态理解下降 45.7%，同等准确率下成本显著降低。模型已上线千问 AI 平台，音视频 API 通过 DashScope 与 OpenAI 兼容协议提供，建议安装 Qwen-MM-Plugins 便于 Agent 框架接入原生多模态能力。