Qwen3.8-Omni-Flash

Что это за модель

Qwen3.8-Omni-Flash — мультимодальная модель Alibaba: в одном запросе она разбирает текст, картинки, звук и видео. Отвечает она только текстом. Модель построена на той же архитектуре, что и Qwen3.8-Flash-Next. Qwen называет её первой своей всеядной моделью, которую с самого начала строили вокруг агентных возможностей. Это значит, что она не просто пересказывает ролик или запись, а планирует задачу, вызывает инструменты и доводит работу до результата. Глубину рассуждений можно настраивать. Кроме обычной версии для готовых файлов есть вариант Realtime для живых потоков.

По замерам Qwen, в среднем по 29 тестам модель на 25% с лишним лучше предшественницы Qwen3.5-Omni-Plus. В агентном тесте WildClawBench-MM она прибавила 36,5 балла и набрала 71,0. Сильнее всего выросла работа со звуком. Модель различает, кто из собеседников говорит, и на тесте AliMeeting ошибается в 3,4% случаев. Лаборатория утверждает, что со звуком модель справляется лучше Gemini 3.8 Flash, а по видео со звуком держится почти на её уровне. При этом обработка звука, по данным Qwen, подешевела более чем на 98%.

Её берут для процессов вокруг аудио и видео: монтаж роликов, клипы под музыку, комментарии к фильмам, конспекты записей, расшифровка встреч с указанием, кто что сказал, локализация видео, голосовые помощники. Модель понимает объёмный звук с двумя и четырьмя каналами и распознаёт речь на 74 языках и 39 диалектах китайского.

Ограничения тоже есть. С чистым текстом и кодом немного лучше справляется Qwen3.8-Flash-Next. На части тестов, где нужно рассуждать по видео, например Video-MME-v2, впереди Gemini 3.8 Flash. Веса модели закрыты: работать с ней можно только через облако Alibaba, в QwenCloud, Model Studio и Qwen Studio.

Источники: Анонс в блоге Qwen, Страница модели в QwenCloud