Qwen3.8-Omni-Flash 发布：原生全模态模型主打音视频智能体能力

阿里千问发布新一代原生全模态模型 Qwen3.8-Omni-Flash，官方称其为 Qwen 首个围绕智能体能力打造的全模态模型，可同时处理文本、图像、音频和视频输入，支持 1M token 上下文，并已在千问 AI 平台、QwenCloud、阿里云 Model Studio 和 Qwen Studio 上线。官方称其在 29 项评测上平均得分较上一代 Qwen3.5-Omni-Plus 提升超过 25%，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%，视频输入成本较上代降低约 89%。MarkTechPost 指出，所有跑分与价格数字均来自 Qwen，发布时没有独立结果，且未公布开放权重，仅提供托管 API。

同次发布还包括配套工具与实时型号。Qwen 开源 Qwen-MM-Plugins，为 Codex、Claude Code、Qwen Code、Gemini CLI、Qoder、CodeBuddy、OpenClaw 等智能体框架提供图像、音频、视频和文档理解能力，并新增 Video2Note（将数小时视频生成图文 PDF 笔记）与 Omni Skill Creator（从操作演示中提炼标准作业流程并转化为可复用 Agent Skill）；MarkTechPost 称其以 Apache-2.0 协议开源，并指出多数框架尚不能原生向主模型输入音频，音频暂经 API 路由。Qwen-Live Harness 作为围绕 Qwen3.8-Omni-Flash-Realtime API 的开源运行时，支持任务委派、主动交互、长期记忆与上下文管理，可通过单条命令安装。Qwen3.8-Omni-Flash-Realtime 支持在接收实时音视频流的同时感知与响应、结合实时上下文调用工具，并通过 WebSocket 和 WebRTC 接入；官方称其为首个支持「听声辨位」的全模态大模型，可融合空间声音与视觉信息判断声源方向和距离，并可通过 Skill 注入身份设定、表达风格、业务知识与交互规则。

官方还公布了一项模型优化实验：Qwen3.8-Omni-Flash 在 12 小时内自主优化 Qwen2.5-Omni-3B 的四川方言语音识别，自主选定 WenetSpeech-Chuan 评测集并建立基线，经 4 轮实验构建 3413 条训练数据，字符错误率从 25.79% 降至 15.30%，相对下降约 40.7%。官方称该实验展示了大模型驱动研发、小模型服务业务需求的新路径。

第三方报道方面，IT之家称阿里千问于 9 月 18 日正式上线该模型，并转述官方称其在累计 30 项评测上平均得分提升超过 26%，AliMeeting 的 DER/cpWER 从 88.11/89.61 降至 3.35/17.18；X 用户 karminski 称多人重叠会议语音识别错误率从上一代的 88% 降至 3%，并称音频输入价格从每百万 token 18 元降至 0.8 元。Testing Catalog 与 The Decoder 均报道该模型具备 1M token 上下文、音视频理解能力接近 Gemini 3.8 Flash，The Decoder 称其 API 定价为每百万输入 token 0.15 美元、输出 0.47 美元，低于 Gemini 3.8 Flash。