Qwen3.8-Omni-Flash 是阿里 2026 年 9 月 18 日发布的全模态模型。如果说 Qwen3.8-Flash-Next 是开放权重的效率预览，那么 Omni-Flash 就是一个面向生产的 API 模型，目标只有一个：让全模态模型从理解音视频，走向规划任务、调用工具并交付成品。
它接受文本、图像、音频与视频输入，支持 1M token 上下文，文本能力与同尺寸的纯文本模型相当。阿里报告在 29 项评测上平均得分比 Qwen3.5-Omni-Plus 高出 25% 以上，同时 API 音频输入价格降幅超过 98%、音视频输入降幅超过 93%（阿里自己的每小时估算）。
它为什么而生
- 长音视频理解。 可按需控制的视频描述，外加一个自主决定看什么、听什么的智能体模式。在 OmniVideoBench 上，阿里称该模式把准确率从 63.4 提升到 67.8，同时把每次查询的 token 从 145,736 降到 79,117。
- 会议。 最长一小时的音视频，联合完成说话人分离、转写与身份对应；阿里演示了它生成纪要、整理待办，甚至根据会议内容开始写代码。
- 生产工作流。 音乐到 MV 策划、区分角色的短剧翻译与配音、长电影解说、视频转笔记，基于开源的 Qwen-MM-Plugins 构建。
- 实时交互。 独立的 Qwen3.8-Omni-Flash-Realtime API 通过 WebSocket 与 WebRTC 处理实时语音与视频，并配有开源的 Qwen-Live Harness；阿里称它是首个支持”听声辨位”的全模态模型。
基准测试
阿里自报（2026 年 9 月 18 日）。对比列取自其发布的表格。
| 基准 | Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash | Seed 2.0 Lite | Muse Spark 1.2 |
|---|---|---|---|---|---|
| WildClawBench-MM | 71.0 | 34.5 | 58.9 | 41.9 | — |
| UniClawBench | 69.6 | 67.1 | 69.0 | 61.2 | — |
| AgenticVBench | 36.8 | 14.5 | 45.0 | 10.0 | — |
| OmniGAIA | 74.0 | 57.2 | 78.6 | 64.4 | — |
| DailyOmni | 85.1 | 85.1 | 84.0 | 81.4 | 79.6 |
| OmniVideoBench | 63.4 | 53.8 | 65.2 | 58.5 | 62.2 |
| Video-MME-v2 | 65.0 | 47.9 | 71.0 | 64.9 | — |
| StreamingBench | 80.8 | 57.1 | 79.9 | 77.2 | 77.8 |
| SpotSoundBench | 67.2 | 64.2 | 39.7 | 59.6 | 16.9 |
| MuchoMusic-RUL | 72.6 | 71.6 | 53.7 | 61.7 | 40.1 |
| MMAU | 81.8 | 81.9 | 76.9 | 77.2 | 63.5 |
| VoiceBench | 91.6 | 92.9 | 92.3 | 84.1 | 79.8 |
| AliMeeting cpWER（越低越好） | 17.2 | 89.6 | 53.1 | 76.1 | 92.7 |
| FLEURS-ASR WER（越低越好） | 9.3 | 7.2 | 7.9 | 32.1 | 23.6 |
规律与阿里自己的说法一致：音视频能力”接近 Gemini 3.8 Flash”，音频整体更好——但智能体式视频与长视频推理仍落后于 Gemini。
定价
| 每 1M token | 国际站 | 全球 / 中国大陆 |
|---|---|---|
| 输入 | $0.15 | $0.113 |
| 缓存命中输入 | $0.016 | $0.014 |
| 输出 | $0.47 | $0.382 |
音频与视频按 token 计费；一小时的素材会折算成多少 token，请见阿里的计费规则。
规格
| 规格 | 数值 |
|---|---|
| API 模型 | qwen3.8-omni-flash、qwen3.8-omni-flash-realtime |
| 输入 | 文本、图像、音频、视频 |
| 输出 | 文本（语音通过 Realtime API） |
| 上下文窗口 | 1M token |
| 推理 | 支持思考；强度 xhigh / medium / low |
| 协议 | OpenAI Chat Completions 与 Responses；实时用 DashScope WebSocket / WebRTC |
| 权重 | 未发布 |
对比
- 对比 Gemini 3.8 Flash： Gemini 在智能体式视频与长视频推理上保持领先；Qwen 在音频定位、音乐理解与多说话人会议上更强。
- 对比 Qwen3.8-Flash-Next： 后者是开放权重的文本加视觉模型；Omni-Flash 增加了音频，且仅提供 API。
- 对比 Qwen3.8-Max： Max 是 2.4T 的推理与编码旗舰；Omni-Flash 是面向音视频智能体的高性价比模型。
局限
- 仅 API，没有权重。
- 厂商自报，且主要与快速档模型对比，而非前沿旗舰。
- 实时语音需要使用独立的 Realtime 模型。
- 多语种语音识别比上一代略有退步。
更大的版图请见 2026 LLM 指南。
适用场景
- 视频剪辑、配音与电影解说智能体
- 会议录音转纪要、说话人与待办事项
- 音乐视频策划与带时间戳的歌词提取
- 针对长影像素材的音视频问答
优缺点
优势
- 一个模型同时处理文本、图像、音频与视频，1M token 上下文——一次请求即可装下数小时的会议或影片素材
- 阿里报告在 29 项评测上平均得分比 Qwen3.5-Omni-Plus 高出 25% 以上，API 音频输入价格降幅超过 98%
- 围绕音视频智能体打造——WildClawBench-MM 71.0（此前为 34.5）、UniClawBench 69.6——并开源了 Qwen-MM-Plugins 与 Qwen-Live Harness
- 多说话人会议转写表现突出（AliMeeting DER 3.4 / cpWER 17.2，上一代为 88.1 / 89.6）
局限
- 权重不开放、仅提供 API，与同系列的 Qwen3.8-Flash-Next 不同
- 输出是文本；语音输出要走独立的 Realtime API，标准模型不提供
- 在若干音视频推理项目上落后于 Gemini 3.8 Flash——AgenticVBench 36.8 对 45.0、Video-MME-v2 65.0 对 71.0、OmniGAIA 74.0 对 78.6
- 多语种语音识别比上一代略有退步——FLEURS WER 9.3 对 7.2（越低越好）
常见问题
Qwen3.8-Omni-Flash 什么时候发布的？
阿里于 2026 年 9 月 18 日在千问 AI 平台（Qwen Cloud）上线 `qwen3.8-omni-flash`，同时发布用于音视频流的 `qwen3.8-omni-flash-realtime` 模型。
Qwen3.8-Omni-Flash 多少钱？
国际站（新加坡）部署为每百万输入 token $0.15、缓存命中输入 $0.016、输出 $0.47；全球与中国大陆部署分别为 $0.113、$0.014 与 $0.382。
权重开放吗？
不开放。与 Qwen3.8-Flash-Next 不同，阿里没有发布 Omni-Flash 的权重，只提供 API。
它能做到而纯文本或图文模型做不到的是什么？
它原生理解音频与视频——转写多位说话人、按需描述视频、在数小时素材中定位关键片段，并把结果接入剪辑、配音或摘要工具。阿里称其智能体模式在 OmniVideoBench 上把每次查询的 token 减少约 46%，同时准确率从 63.4 提高到 67.8。
有实时版本吗？
有。Qwen3.8-Omni-Flash-Realtime 通过 WebSocket 与 WebRTC 接收实时音视频流，可在用户还在说话时作出响应并调用工具。阿里还围绕它开源了 Qwen-Live Harness。