Qwen3.8-Omni-Flash

Qwen3.8-Omni-Flash är en så kallad omnimodal modell: den förstår text, bilder, ljud och video i en och samma modell och har ett kontextfönster på 1 miljon tokens. Målet med den här versionen är att gå från att bara förstå innehåll till att planera uppgifter, använda verktyg och leverera färdiga resultat, till exempel videoredigering, musikvideor, filmkommentarer, översättning och dubbning av video, mötessammanfattningar och samtal i realtid.

Enligt Qwen förbättras medelresultatet över 29 tester med mer än 25 procent jämfört med Qwen3.5-Omni-Plus, samtidigt som API-priset per timme ljud sjunker med över 98 procent och per timme video med ljud med över 93 procent. Qwen uppger att ljud- och videoförståelsen ligger nära Gemini 3.8 Flash och att den samlade ljudförmågan är bättre. Modellen kan hantera upp till en timme video med ljud och känna igen vem som talar; på mötestestet AliMeeting sjönk felen kraftigt.

För långa videor kan modellen själv välja vilka delar den behöver titta och lyssna på; enligt Qwen höjer det träffsäkerheten på OmniVideoBench från 63,4 till 67,8 och halverar nästan tokenåtgången. Till modellen hör verktygen Qwen-MM-Plugins och den öppna körmiljön Qwen-Live Harness, och en separat variant, Qwen3.8-Omni-Flash-Realtime, är gjord för direktsända samtal med ljud och bild. Modellen används via API och i Qwen Studio; några nedladdningsbara vikter nämns inte.