Qwen3.8-Omni-Flash 发布：音视频智能体从理解走向交付

来源事实

Qwen 在官方博客发布 Qwen3.8-Omni-Flash，称其为下一代原生全模态模型，目标是让智能体从“理解全模态内容”走向“规划任务、调用工具并完成创作工作”。官方称，该模型支持文本、图像、音频和视频输入，具备 1M token 上下文窗口，并已在 Qianwen AI Platform 可用。

按 Qwen 说明，Qwen3.8-Omni-Flash 在 29 项评测中的平均得分较 Qwen3.5-Omni-Plus 提升超过 25%；每小时音频输入 API 价格下降超过 98%，每小时音视频输入价格下降超过 93%。在音视频智能体、编程和长时程任务方面，官方列出 WildClawBench-MM 提升 36.5 分、AgenticVBench 提升 22.3 分，并称 UniClawBench 得分为 69.6。Qwen 还表示，该模型在 LongAudioSpan 上提升 8.3 分，在 OmniVideoBench 上提升 9.6 分，OmniCap-IF 的 CSR 和 ISR 分别提升 8.5 分和 14.1 分，AliMeeting 的 DER 和 cpWER 从 88.11 / 89.61 降至 3.35 / 17.18。

围绕音视频生产力，Qwen 同时提到 Qwen-MM-Plugins 和 Qwen-Live Harness。前者扩展了面向长音频、长视频的按需感知、工具调用与工作流执行能力，并包含 Video2Note、Omni Skill Creator 等开源能力；后者被描述为面向持续、实时全模态交互的原生运行时。官方示例覆盖可控音视频描述、长视频证据收集、会议纪要与行动项、Music2MV、短剧翻译、长片影评解说，以及通过 Qwen3.8-Omni-Flash-Realtime 实现实时口语练习、空间音频感知和外部知识注入。

AiPix 分析

对视觉创作者来说，这次发布的关键信号是：音视频模型正在从“素材理解工具”转向“创作流程协调者”。如果官方描述的工具调用、长上下文和实时交互能力在实际产品中稳定落地，创作者未来处理长视频、会议素材、教程内容和多语言短剧时，可能更少依赖手动在转录、翻译、剪辑、配音和审核工具之间切换。

但应注意，以上性能、价格和工作流能力均来自 Qwen 官方信息，并非 AiPix 实测。对创作团队而言，更务实的评估方式不是只看单项榜单，而是把它放进真实流程：例如一小时会议能否稳定产出可用纪要，教程视频能否转成结构化笔记，短剧翻译能否保持角色声线、时长和画面节奏一致。对于 AiPix 这类以 AI Canvas 为核心的图像和视频创作平台，这类全模态智能体趋势也说明，未来创作入口会更接近“一句话提出目标，系统理解素材并组织交付”的路径。