发生了什么
9月18日，阿里千问上线新一代原生全模态模型 Qwen3.8-Omni-Flash。该模型直接接受文本、图像、音频与视频输入，支持1M长序列，基于Qwen3.8-Flash-Next架构。官方定位是推动全模态模型从理解内容走向规划任务、调用工具并完成创作。
官方称在累计30项评测中，Qwen3.8-Omni-Flash 相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过26%。其中音视频Agent、Coding及长程任务在 WildClawBench-MM 上提升36.5分，在 AgenticVBench 上提升22.3分，UniClawBench 取得69.6分；音频能力整体超过 Gemini 3.8 Flash，音视频能力接近该模型。
- 输入输出：支持音频与图像输入、文本与音频输出，可解析2通道与4通道空间音频，兼容 DashScope 与 OpenAI 协议
- 价格调整：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%
- 配套开源：同步开源面向长程工作流的 Qwen-MM-Plugins 与面向实时交互的 Qwen-Live Harness
- 上线渠道：模型已上线千问AI平台
为什么值得关注
这次发布的量级变化在价格。音视频类接口价格下降九成以上，意味着长音视频理解、会议纪要生成与任务执行、音乐视频创作、短剧翻译、长电影解说等此前因 token 成本过高难以规模化的工作流，第一次具备了按量商用的经济性。阿里同时用一次模型优化模型的实验给出具体参照：Qwen3.8-Omni-Flash 在12小时内把 Qwen2.5-Omni-3B 的四川话识别字符错误率从25.79%降到15.30%。
值得对照的是同一天的国产模型节奏。智谱在同日上线 GLM-5.3-FlashX，把推理速度提到200 tokens/s并上调定价2.5倍。两家公司选择了相反的价格方向，却指向同一个判断：在Agent时代，一个项目的token消耗量级从千级跃升至百万级，竞争焦点正从参数规模与榜单分数，转向单位成本下的有效吞吐。
仍需观察
官方尚未公布 Qwen3.8-Omni-Flash 的总参数与激活参数规模，也未披露独立第三方复测结果，前述提升幅度主要来自厂商自建评测集。对企业的实际决策点有两个：一是音视频输入大幅降价后，是否把全模态模型从演示场景移入生产流程；二是1M上下文叠加音视频输入会显著抬高单次请求的显存与带宽占用，需要重新核算容量规划与并发上限。