阿里云发布了可同时处理多种感官信息的全模态模型 Qwen3.8-Omni-Flash。根据阿里云的测量，对同一组 OmniVideoBench 问题进行静态解析与智能体模式比较时，智能体模式在每轮保留上下文，即此前的对话和任务信息，将准确率从 63.4 提升至 67.8，并将每次查询的 token 消耗从 145,736 降至 79,117。处理方式从输入整段视频转向选择片段，为连接多个处理步骤的视频摘要流水线增添了一种选择。

测量方法

阿里云在音视频推理基准测试，即衡量性能的标准测试 OmniVideoBench 和 Video-MME-v2，以及长视频推理基准测试 LVOmniBench 上，对比了 Qwen3.8-Omni-Flash 与 Gemini 3.8 Flash。

Static 是模型直接解析输入的模式，智能体模式则由协调执行的工具框架 Qwen Code harness 驱动，围绕问题制定计划并调用工具。Gemini 3.8 Flash 也采用相同的两种设置。价格依据 Model Studio 新加坡地域的公开价目表。每小时费用由 2 分钟片段的输入成本乘以 30 换算，视频按 720p、每秒 1 帧计算，帧指构成视频的单张图像。

表：三项基准测试的静态解析与智能体模式准确率

条件：三项基准测试均采用静态解析和 Qwen Code 智能体模式，Gemini 3.8 Flash 使用相同条件，依据阿里云公布的数据

单位：分

三项基准测试的静态解析与智能体模式准确率对比 (分)OmniVideoBench（音视频）: Qwen3.8 静态 63.4, Qwen3.8 智能体 67.8, Gemini 3.8 静态 65.2, Gemini 3.8 智能体 70.1; Video-MME-v2（音视频）: Qwen3.8 静态 65.0, Qwen3.8 智能体 71.3, Gemini 3.8 静态 71.0, Gemini 3.8 智能体 72.7; LVOmniBench（长视频）: Qwen3.8 静态 63.3, Qwen3.8 智能体 73.6, Gemini 3.8 静态 70.7, Gemini 3.8 智能体 70.7Qwen3.8 静态Qwen3.8 智能体Gemini 3.8 静态Gemini 3.8 智能体OmniVideoBench（音视频）63.467.865.270.1Video-MME-v2（音视频）65.071.371.072.7LVOmniBench（长视频）63.373.670.770.7
三项基准测试的静态解析与智能体模式准确率对比 (分)
测量方法
基准测试（推理类型）Qwen3.8 静态Qwen3.8 智能体Gemini 3.8 静态Gemini 3.8 智能体
OmniVideoBench（音视频）63.467.865.270.1
Video-MME-v2（音视频）65.071.371.072.7
LVOmniBench（长视频）63.373.670.770.7

结果

根据阿里云的设计说明，在长视频中，智能体模式会自主选择观看和聆听的片段，将预算用于相关部分；以下为公开的基准测试结果。

表：OmniVideoBench 静态解析与智能体理解对比

条件：OmniVideoBench，Qwen3.8-Omni-Flash 静态解析与智能体模式对比，智能体模式每轮保留上下文，依据阿里云公布的数据

结果
项目静态解析智能体理解差值
准确率（↑）63.467.8+4.4
每次查询的 token（↓）145,73679,117−45.7%

Qwen3.8-Omni-Flash 在三项基准测试中均通过智能体模式提高了准确率。差距因基准测试而异：Video-MME-v2 中两款模型几乎持平，LVOmniBench 中则只有 Qwen3.8-Omni-Flash 明显提升。在 OmniVideoBench 中，准确率提高了 4.4 分，每次查询的 token 消耗减少约 45.7%。

为何存在这种差异

阿里云从智能体设计角度解释了这一差异。智能体从问题出发，自主决定观看和聆听的片段，并从较大范围逐步缩小至细节片段来收集证据。其解释是，无需处理全部帧，也能将 token 预算用于相关片段。

支撑长内容处理的是上下文。根据文档，上下文长度为 1M token，可在一次请求中输入文本、图像、音频和视频，音频输入按每秒 7 token 换算计费。

阿里云还公开了改进更小模型的实验。智能体接到在 12 小时内改进 Qwen2.5-Omni-3B 四川话语音识别的任务后，自行确定了用于检验性能的评估集，并在四轮实验中生成了 3,413 条用于训练模型的样本。在 WenetSpeech-Chuan 的同一评估集上，按识别字符统计的错误比例，即字符错误率 CER，从 25.79% 降至 15.30%。

据阿里云公布的数据，29 项评估的平均得分较 Qwen3.5-Omni-Plus 提高了 25% 以上。同一对比中，WildClawBench-MM 使用 Claude Code harness 提高了 36.5 分，AgenticVBench 提高了 22.3 分，LongAudioSpan 提高了 8.3 分，OmniCap-IF 指令遵循度提高了 14.1 分。UniClawBench 使用 OpenClaw harness 取得 69.6。AliMeeting 说话人分离错误率 DER，即说话人区分结果的错误比例，从 88.11 降至 3.35。

表：Model Studio 新加坡地域 API 价格对比

条件：Model Studio 新加坡地域公开价目表，Qwen3.8-Omni-Flash 不区分模态，即输入信息的传递形式，采用统一费率

单位：USD / 100万 token

为何存在这种差异
费用Qwen3.8-Omni-FlashQwen3.5-Omni-Plus
输入文本、图像、视频0.151.4
输入音频0.1511
输出文本0.478.3

据阿里云公布的数据，每 1 小时音频输入的价格降低了 98% 以上，每 1 小时音视频输入的价格降低了 93% 以上。

选择标准

长视频摘要和会议分析可选 qwen3.8-omni-flash。它接受 113 种语言及方言的音频输入，仅输出文本。需要语音输出则选 qwen3.5-omni-plus，可输出 29 种语言、7 种方言的语音。实时音视频对话可选 qwen3.8-omni-flash-realtime 和 Qwen-Live-Harness。v1.0.0 于 2026 年 9 月 21 日发布，桌面应用需要 macOS 12 及以上版本和 Node.js 22.13 及以上版本。根据阿里云的测量，输入 20 秒音视频时，文本输出为每秒 83.00 token，首个文本 token 延迟为 981.01 毫秒，首个音频包延迟为 1350.49 毫秒。音频生成实时因子 RTF，即生成时间与播放时间之比，为 0.1528。将本地教程视频转换为带插图的 PDF 笔记，可用 Qwen-MM-Plugins 的 omni-video2note；将演示视频转为可复用的 Agent Skill，可用 omni-skill-creator。安装脚本支持 Claude Code、Codex、Qwen Code、Gemini CLI 等。视频制作可用 omni-chatcut，长视频视听记忆构建可用 omni-memory。

如果正在运行长视频摘要流水线，请在更换模型之前，先将同一组问题分别交给静态解析和 Qwen Code 智能体模式运行。