Qwen3.8-Omni-Flash 发布：1M 上下文全模态 Agent 模型，音频输入成本降 98%

要点

• Qwen3.8-Omni-Flash 是一个「原生全模态 Agent 模型」：输入 文本 / 图像 / 音频（官方称支持 113 种语言）/ 视频，只输出文本。
• 架构：继承 Qwen3.8-Next 的稀疏 MoE（Sparse Mixture-of-Experts），上下文窗口扩展到 100 万 token。
• 上下文与输出（阿里云文档口径）：非思考模式 991,808 tokens、思考模式 983,616 tokens；最大输出 131,072 tokens；推理长度上限 262K tokens。
• 媒体能力（阿里云文档口径）：视频最长 2 小时 / 2 GB，采样上限 15 fps；音频最长 3 小时；支持 use_multichannel 参数输入空间音频。
• 定价（第三方媒体口径）：文本 输入 $0.15 / 百万 token、输出 $0.47 / 百万 token、缓存命中输入 $0.016 / 百万 token；相较 Qwen3.5-Omni-Plus，音频输入每小时成本降超 98%、音视频降超 93%、视频降约 89%。
• 同期开源两个框架：Qwen-MM-Plugins（轻量级多模态生产力插件框架）与 Qwen-Live-Harness（实时多模态 Agent 编排框架）。
• 发布形态：多家媒体称本次为 API-only，未宣布开放权重——与 2026 年 8 月开放权重的 Qwen3.8-Flash-Next 不同。有本地权重部署要求的团队需特别注意。
• 发布日口径分歧：arXiv 论文 v1 提交于 2026-09-22；部分英文媒体记为 2026-09-18，中文日报记为 2026-09-26。本文以可核实的 arXiv 提交日 2026-09-22 为锚点，其余口径并列保留。
• 可用地域（阿里云 Model Studio 文档口径）：新加坡、日本（东京）、德国（法兰克福）、美国（弗吉尼亚）、中国（北京）、中国香港。

背景与分析

从「看得见」到「会干活」：全模态模型的定位变了

过去几代 Omni 模型的卖点集中在感知与交互——能听懂、能看见、能对话。Qwen3.8-Omni 论文里明确把目标改成了 native omni-modal agents：让音视频从「被感知的输入」变成「Agent 赖以推理与执行的媒介」。

具体落点是三类长程任务：视频剪辑、长音频 / 长视频翻译、以及「按音乐条件生成 MV / 电影」这类生成式编排。它们共同的特点是不是一问一答能完成，需要规划、调工具、多步执行。

这个转向背后的技术动作是 native multimodal co-training：在保留文本域能力的前提下，把 Agent 能力从文本迁移到音视频任务上。关键是「保留文本域能力」——历史上多模态化的常见代价是文本推理退化，论文把这一点当成前提而不是副产品。

「Agentic perception」：让模型自己决定看哪一段

最值得注意的工程细节是它怎么看视频。

传统做法是固定间隔抽帧——均匀采样，成本与长度线性相关，而且大量帧是废帧。Qwen 的做法是两级扫描：先粗扫定位相关片段，再对那一段细看。官方把它放进 Agent 工作流里，称这是该系列首次把「全模态感知」做成 Agent 工作流的一环。

代价是 token 消耗变成内容相关的——不同视频的实际花销差异很大。第三方报道给出的两个数字并不一致：一处称某任务从 145,736 token 降到 79,117（降 45.7%），另一处称 OmniVideoBench 上降 51.8%、Agent 平均分较上一代提升 19.5 分。两个都是厂商 / 媒体口径，本站未做一手实测，建议按「量级参考」而非「确定收益」理解。

这也是本文最想提醒的一点：「每百万 token 多少钱」在全模态模型上不等于「每小时音视频多少钱」——后者的 token 消耗率取决于时长、帧率，以及模型自己决定细看多少。做预算必须跑自己的最坏情况，不能套平均。

补齐的是「harness 缺口」，这个判断是对的

论文里有一句很实在的话：现有 agent harness 缺少原生音视频支持。

这不是自谦。当前主流编程 Agent（Claude Code、Gemini CLI 等）的输入通道基本是文本 + 图像；给它们喂一段两小时的视频，你得自己在外部先转写、再切片、再拼进上下文。Qwen-MM-Plugins 想填的就是这一层——把多模态输入接进既有 Agent 框架。

方向对不对另说，但**「模型厂商开始为 harness 层负责」本身是个信号**：模型能力已经不是唯一瓶颈了。

API-only 是个明确的取舍

这点必须讲清楚：多家媒体称本次未宣布开放权重（第三方口径，官方论文未明确表态，属待确认项）。

对国内很多团队，Qwen 系列的价值很大一部分来自「权重可下载、可私有部署」。而音频与视频恰恰是最容易携带个人信息的数据类型。如果上一代你是靠本地权重过的合规，这一代不是 drop-in 替代品。

对开发者的影响

1. 先算「每小时」而不是「每百万 token」。 agentic perception 让消耗随内容浮动，务必跑自己的最坏情况样本。
2. 长音频场景值得重估。 会议录音、客服通话、授课录像——音频成本降一个量级会改变「值不值得做」的结论。
3. 有本地部署硬要求的，先别规划迁移。 开放权重未见官宣（待确认）；上一代 Qwen3.8-Flash-Next（2026-08）有开放权重。
4. 关注两个开源框架，而不是只关注模型。 Qwen-MM-Plugins / Qwen-Live-Harness 是这次更可复用的部分，插件框架可以接到你已有的 Agent 上。
5. 扩展思考默认开在最高档，可通过参数关闭——成本敏感的场景记得关，否则默认按最高推理长度计费。
6. 基准数据要打折看。 第三方基准追踪站指出该模型在其收录的 446 个基准中只有 19 个有结果，暂无综合分。当前 Agent 类数字应视为厂商自报。

AI 之家 观点

其一，全模态模型的竞争点已经从「支持几种输入」变成「能不能在模态上做规划」。 「支持音频输入」在 2026 年不是卖点，「让 Agent 自己决定听哪一段、看哪几帧」才是。Qwen 把感知做成 Agent 工作流的一环，是对的方向——它把成本从固定开销变成了可优化的变量。

其二，成本降 98% 这个数字，真正的意义是解锁新场景而不是省钱。 音频从「按小时算很贵」变成「随便发」，改变的是什么值得做：以前客服质检只能抽样，现在可以全量；以前会议纪要只做重点场次，现在可以默认全做。价格跨过某个阈值后，架构决策会变。

其三，token 消耗「不可预测」是新的运维负担。 固定抽帧的成本是可算的，agentic perception 的成本是内容相关的。厂商拿到的是好看的平均数，用户承担的是方差。 上线前请务必压测最坏情况。

其四，API-only 与「数据不出境/不出内网」的诉求正面冲突。 音视频是最敏感的输入类型，而它跑在公有云上。这不是 Qwen 一家的取舍，是全模态能力商业化的普遍路径——但对国内合规要求高的行业，它直接决定这个模型能不能进选型清单。

相关阅读

• 概念：长上下文 · MoE 混合专家 · 智能体编程 · 智能体编排
• 工具：Claude Code · Gemini CLI
• 模型：Qwen3-Coder · Qwen3-8 LiveTranslate · Qwen3 · Step 5 Preview

来源

• Qwen3.8-Omni: Towards Native Omni-Modal Agents（Qwen 团队，arXiv:2609.25611，v1 提交 2026-09-22） — 一手来源：架构（稀疏 MoE / Qwen3.8-Next）、1M 上下文、native multimodal co-training、Qwen-MM-Plugins 与 Qwen-Live-Harness 的定位以此为准
• Alibaba Cloud Model Studio — Qwen3.8-Omni-Flash 模型文档 — 上下文 / 输出 / 媒体时长 / 可用地域等规格口径
• Qwen3.8-Omni-Flash cuts audio input costs by 98%（Tech AI Wire / DEV） — 第三方来源：定价、降本百分比、参数规模、API-only 均出自此类媒体，官方论文未逐项确认，标注为待核实

本条由 AI 之家 编辑部根据 arXiv 论文原文与主流媒体整理，未做一手实测。待确认项：① 发布日（arXiv 09-22 / 媒体 09-18 / 中文日报 09-26 三种口径）；② 是否开放权重（媒体称 API-only，官方未明确）；③ 全部定价与降本百分比（第三方口径）；④ 参数规模（第三方称约 125B 总参 / 512 专家 / 约 6B 激活 / 51B embedding 表，论文未给出）。规格与价格随产品阶段变化，落地前请以阿里云官方模型文档与定价页为准。 欢迎在 反馈邮箱 反馈更新。