一句话看懂：阿里千问于 9 月 18 日上线原生多模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频、视频输入与 1M 上下文。它在 30 项评测中平均分比上一代 Qwen3.5-Omni-Plus 提升超过 26%，同时把音视频 API 价格大幅压低。
事件核心：发生了什么
Qwen3.8-Omni-Flash 已可在 Qwen AI 平台体验。此前的 Qwen 系列已在编程、文本知识工作和 GUI 操作上积累 Agentic 能力，这次升级的重点转向音视频场景，覆盖视频剪辑、MV 制作、影视解说、音视频转文字摘要以及音视频对话等工作流。
官方公布的评测数据包括：音视频 Agent、编程和长任务方向上，WildClawBench-MM 提升 36.5 分，AgenticVBench 提升 22.3 分，UniClawBench 达到 69.6 分；基础能力方面，LongAudioSpan 提升 8.3 分，OmniVideoBench 提升 9.6 分，OmniCap-IF 的 CSR/ISR 分别提升 8.5 和 14.1 分。AliMeeting 的 DER/cpWER 从 88.11/89.61 降至 3.35/17.18。官方称其音视频能力接近 Gemini3.8Flash，整体音频能力超过对方。价格上，API 音频输入每小时的费用下降超过 98%，音视频输入下降超过 93%。
为什么重要
多模态模型的竞争正从“能不能听懂看懂”转向“能不能长时间稳定处理并调用工具”。1M 上下文加上 Agentic 方向，说明千问想把模型放进真实的生产流程，而不只是做问答演示。官方同步开源 Qwen-Live Harness、扩展 Qwen-MM-Plugins，是在补工具链和运行环境，这对开发者生态的吸引力不小。价格下降超过九成，也会直接影响音视频类 AI 应用的调用成本结构。
对用户/开发者/创作者的影响
对创作者来说，视频剪辑、解说、音视频摘要这类工作可以尝试用单一模型串起来，减少在多个工具间切换。对开发者来说，音视频输入成本大幅下降，意味着批量转写、长视频理解和实时对话类应用更容易跑通商业模型；开源组件也给了自建流程的空间。企业采购方则需要关注：官方宣称的性能接近 Gemini3.8Flash，但实际稳定性、延迟和中文场景表现仍需自测。目前公开信息显示，Realtime 版本是首个支持“声音定位”的全模态大模型。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 API 实际计费与限流规则是否和宣传一致，音视频长任务的真实成本如何。二是开源组件 Qwen-Live Harness 和 Qwen-MM-Plugins 的社区采用速度，能否形成可复用的 Agent 工作流。三是 Gemini 等竞品是否跟进降价或推出对标的多模态 Agent 能力。
来源：AIbase
