全模态模型Qwen3.8-Omni-Flash发布，主打音视频Agent能力

今天，新一代原生全模态模型Qwen3.8-Omni-Flash正式上线。该模型旨在提升真实生产力场景中的Agent能力，推动全模态模型从“理解全模态内容”走向“规划任务、调用工具并完成创作”。在具备编程、文本知识工作和GUI操作等通用Agentic能力基础上，进一步拓展了以音视频为核心的Agentic应用，在视频剪辑、音乐视频创作、影视制作与解说、音视频转图文摘要和音视频对话等工作流中取得显著效果。

模型支持文本、图像、音频和视频输入，以及1M长上下文，现已上线千问AI平台。在保持与同尺寸文本模型相当文本能力的同时，全模态能力显著提升。在累计30项评测上，相比上一代Qwen3.5-Omni-Plus，平均得分提升超过26%。在音视频Agent、Coding和长程任务方面，WildClawBench-MM提升36.5分，AgenticVBench提升22.3分，UniClawBench取得69.6分。基础能力方面，LongAudioSpan提升8.3分，OmniVideoBench提升9.6分，OmniCap-IF的CSR/ISR分别提升8.5/14.1分，AliMeeting的DER/cpWER从88.11/89.61降至3.35/17.18。通过扩展数据、上下文与Agentic Environment，音视频能力接近Gemini 3.8 Flash，音频能力整体超过Gemini 3.8 Flash。API每小时音频输入价格降幅超过98%，每小时音视频输入价格降幅超过93%。

音视频是Agent走向真实生产力场景的重要载体，但也带来长音视频存储、传输与多轮推理成本高昂、现有Agent Harness框架缺乏原生支持等挑战。为此，我们扩展了Qwen-MM-Plugins，为长音视频按需感知、工具调用与工作流执行提供支持；同时开源Qwen-Live Harness，为实时、持续的全模态交互提供原生运行环境。

长音视频理解方面，模型实现全新升级：从按需描述、Agentic主动取证，到理解并推进会议任务，再到生成以视频为中心的深度研究报告。可控音视频Caption支持自由指定描述对象、时间范围、信息粒度与输出格式。Agentic长音视频理解从问题出发，自主决定看什么、听什么，通过由粗到细的多轮取证定位关键信息。OmniVideoBench实验表明，Agentic Understanding将准确率从63.4提升至67.8，Token消耗从145,736降至79,117，降幅约45.7%。

长会议场景中，模型具备多说话人音画协同识别能力，原生支持最长一小时音视频输入，端到端完成说话人切分、内容转录与身份对应，可生成会议纪要与待办事项，分析项目风险，并结合Agent与工具调用发送邮件、整理任务甚至直接编码。通过音视频开展深度研究时，模型能结合用户需求与视频内容，检索多模态资料，生成以视频为中心、图文并茂的研究报告。

音视频生产与编辑方面，Music2MV可精准理解歌曲结构、节奏、情绪等，输出带时间戳的句级歌词，结合Qwen-MM-Plugins贯穿音乐理解、创意规划与成片质检。视频翻译Agent只需一句话描述需求，即可完成区分角色的台词识别、口语化翻译、角色克隆配音、音轨重混与成片质检。电影解说Agent只需提供影片并描述需求，即可完成长视频全模态理解、关键情节提炼、解说规划、配音配乐、剪辑渲染与成片质检，并智能穿插原声对白与解说配音。

此外，我们尝试将Qwen3.8-Omni-Flash推进到模型研发本身，探索“大模型负责研发、小模型面向业务”的新范式。例如，要求其在12小时内提升Qwen2.5-Omni-3B的四川话识别能力并交付可用模型，它自主选定评测集、完成基线测试，听取语音样本诊断问题，构建针对性训练数据，在连续4轮实验中累计构建了3,413条……