千问推出 Qwen3.8-Omni-Flash 模型 支持多模态输入及长上下文处理

千问新一代原生全模态模型 Qwen 3.8-Omni-Flash 已于 9 月 18 日正式上线。根据了解，此模型支持文本、图像、音频及视频输入，并可处理长达 1M 的上下文，能够在理解内容的基础上自主规划任务、调用工具并完成创作与交付。

Qwen 3.8-Omni-Flash 提升音视频处理能力

从功能上看，Qwen 3.8-Omni-Flash 在延续编程、文本处理及 GUI 操作能力的同时，进一步扩展了音视频相关任务的处理能力。针对长音视频的理解，该模型可面对数小时的视频内容，从问题出发决定关注的画面和声音信息，并通过多轮取证定位关键内容。结合工具后，模型还可从会议中提炼纪要、待办事项与风险信息，并继续执行发送邮件、写代码或检索多模态资料生成报告等后续任务。

在音视频创作方面，该模型可应用于音乐视频制作、短剧翻译及长电影解说等场景。例如，在音乐视频创作中，模型能够理解歌曲结构、节奏及情绪，输出带时间戳的句级歌词；在短剧翻译中，能够完成角色识别、口语化翻译、配音克隆、音轨重混与成片质检；在长电影处理中，则可完成情节提炼、解说规划、配音配乐、剪辑渲染及最终质检。

此外，该模型还可将长视频内容转化为可重用的信息资产，包括自动梳理知识点、拆解步骤，生成图文对应的 PDF 笔记，并进一步转化为经过校验和评测的 Agent Skill。实时交互版本 Qwen 3.8-Omni-Flash-Realtime 则可在音视频流输入过程中同步完成感知与响应，适用于口语陪练、空间音频感知及智能客服等场景。

在配套方面，官方同步扩展了 Qwen-MM-Plugins，新增面向音视频理解与创作的多项能力，并开源 Qwen-Live Harness，用于持续、实时的音视频交互与任务执行。根据官方数据，在累计 30 项评测中，Qwen 3.8-Omni-Flash 相比上一代 Qwen 3.5-Omni-Plus 平均得分提升超过 26%；同时，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%。

目前，该模型已上线千问 AI 平台。