通义千问正式发布新一代原生全模态模型 Qwen3.8-Omni-Flash，同步推出实时交互版本及两款开源工具套件，核心推动全模态能力从 “内容理解” 向 “端到端任务交付” 升级。

模型原生支持文本、图像、音频、视频四类输入，搭载 1M token 上下文窗口。29 项综合评测显示，平均分较上代 Qwen3.5-Omni-Plus 提升超 25%；成本端优化显著，音频输入每小时 API 价格降幅超 98%，音视频联合输入价格下降超 93%。音视频智能体专项基准中，WildClawBench-MM、AgenticVBench 分别提升 36.5、22.3 分，整体音频表现超越 Gemini 3.8 Flash，音视频综合能力跻身行业第一梯队。

核心突破在于智能体式音视频理解机制。传统方案需全量读取音视频内容，算力消耗高。Qwen3.8-Omni-Flash 可基于用户问题自主筛选关键片段，通过由粗到细的多轮证据检索定位信息，无需逐帧处理。测试显示，该模式下 token 消耗降低 45.7%，同时识别准确率不降反升。

落地场景覆盖音视频生产全链路：音乐 MV 创作可解析歌曲结构并输出分镜方案；短剧翻译可一站式完成说话人识别、字幕翻译与配音混音；长电影解说可自动提取剧情、生成脚本并调配音轨；会议场景可联合音视频区分发言人，输出纪要与待办事项，还可联动工具派发任务。此外模型还能自主迭代小模型，或从视频中萃取结构化知识与标准化 SOP。

实时版本主打低延迟连续音视频交互，支持 WebSocket、WebRTC 接入，具备空间音频定位能力，可结合视觉完成空间导航，支持动态注入业务知识与角色设定，适配实时客服、口语教学等场景。

配套同步开源 Qwen-MM-Plugins 插件套件与 Qwen-Live Harness 运行框架，兼容主流智能体框架；API 兼容 OpenAI 协议，支持三档推理强度调节，方便开发者按需权衡成本与效果。

整体来看，本次发布将音视频从感知输入升级为智能体执行任务的原生媒介，成本大幅下降加速工程化落地，但复杂长叙事内容的一致性控制仍待持续打磨。

Qwen大模型音视频智能体Agent前沿在线