摘要：文本、图像、音频、视频一起理解，1M上下文，再加上任务规划、工具调用和工作流执行。Qwen3.8-Omni-Flash真正值得关注的，不是多模态输入又多了一项，而是音视频开始成为Agent完成任务的工作材料。
过去两年，我们见过太多“能看图、能听音频、能理解视频”的大模型演示。
它们可以告诉你画面里有什么，可以把录音转成文字，也可以概括一段视频。但演示结束后，真正的工作往往才刚开始：会议纪要需要转成待办，视频素材需要剪辑，外语短剧需要翻译、配音、混音，教程视频还要整理成可复用的知识文档。
看懂，不等于干完。
9月18日，千问发布新一代原生全模态模型Qwen3.8-Omni-Flash。官方给出的目标很直接：增强真实生产力场景中的Agent能力，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”。[1]
这句话，才是这次发布的核心。
01｜“Omni”真正的变化，是音视频进入任务闭环
Qwen3.8-Omni-Flash支持文本、图片、音频和视频输入，具备1M Token上下文。阿里云百炼文档显示，模型支持思考模式、Function Calling、联网搜索、多通道空间音频和上下文缓存。[2]
这些规格单独拿出来看并不神秘。真正有意思的是，它们被放进同一条工作链里。
以前做一次视频分析，常见流程是先抽帧、再转写、再把文本和关键画面交给大模型，最后由人工接手后续操作。每个环节用不同工具，信息容易丢，成本也难控制。
Qwen3.8-Omni-Flash想做的是：让模型先理解用户目标，再决定该看什么、听什么，找到证据后规划后续步骤，最后调用工具推进任务。
比如一场完整会议，模型不只输出摘要，还可以识别发言人、整理待办、分析项目风险。接入Agent和企业工具后，后续还能发送邮件、创建任务，甚至根据会议要求开始写代码。
这就从“会议转写工具”变成了“会议执行Agent”。
02｜面对长视频，它开始学会“挑重点看”
长音视频一直是多模态模型最烧钱的场景之一。
一部两小时的电影、一场长会议、几十段素材，如果模型从头到尾逐帧处理，大量Token会花在与问题无关的内容上。素材越长，这个问题越夸张。
Qwen3.8-Omni-Flash采用的思路更像人：先看问题，再决定应该关注哪些片段。模型通过由粗到细的多轮取证，逐步定位关键画面和声音，不必把所有内容都用同样精度处理。
官方在OmniVideoBench上的实验显示，Agentic Understanding模式把准确率从63.4提高到67.8，同时将单次查询Token消耗从145,736降到79,117，约减少45.7%。[1]
这组数据的价值，不只是“更省”。它说明按需感知并非简单砍掉输入，而是在有限预算里把注意力集中到更相关的证据上，结果反而更准。
对真实业务来说，这比多拿几个跑分更重要。因为视频审核、会议分析、素材检索、培训复盘等任务一旦规模化，成本不是一次调用多少钱，而是每天有多少小时素材需要持续处理。
03｜官方把重点放在了四类生产力工作流
从发布案例看，Qwen3.8-Omni-Flash最想进入的并不是聊天场景，而是音视频生产链。
第一类是长会议。 模型联合画面和声音识别多人发言，生成纪要、待办和风险提示，并通过工具继续推进工作。
第二类是视频深度研究。 模型从视频提炼问题，再搜索网页、图片、视频和文档，最终生成围绕视频主题的图文研究报告。
第三类是内容生产。 官方展示了Music2MV、短剧翻译和长电影解说等流程。Agent可以理解节奏、角色和剧情，再协调字幕、配音、剪辑与质检工具。
第四类是知识沉淀。 Video2Note可以把教程视频整理成带代表性画面的PDF笔记；Omni Skill Creator则尝试从操作演示中提炼SOP和可复用Skill。
过去视频是一份需要人观看的素材，现在它有机会变成Agent可以检索、分析、执行和沉淀的工作资产。
04｜降价98%，为什么比跑分更值得关注？
官方称，与Qwen3.5-Omni-Plus相比，Qwen3.8-Omni-Flash每小时音频输入API价格下降超过98%，每小时音视频输入价格下降超过93%。在29项评测中，平均分提升超过25%。[1]
先提醒一个细节：这些每小时成本有特定测算口径。官方按2分钟素材输入成本的30倍估算一小时，音视频按照720p、每秒1帧计算。实际账单还会受素材分辨率、采样方式、输出长度、思考模式和缓存命中影响。
所以，不能简单把“下降98%”理解成所有音频任务都会便宜98%。
但方向仍然很明确：全模态Agent要走进生产环境，感知成本必须先降下来。
演示时处理一段三分钟视频，贵一点没有感觉；企业每天处理几千小时会议、客服录音或视频素材时，成本差异会直接决定项目能不能上线。
低成本还会改变产品设计。以前为了省钱，系统只能少看几帧、少听几段，或者把音频和视频拆开处理。现在成本下降，开发者才可能把持续感知、多轮取证和工具执行做成日常功能，而不是偶尔使用的高价能力。
05｜别误会：模型本身并不会直接吐出一部成片
这次发布很容易被写成“上传视频，模型自动完成剪辑、配音和成片”。这个说法不够准确。
阿里云百炼文档明确显示，标准版qwen3.8-omni-flash支持文本、图片、音频和视频输入，仅输出文本。[2]
也就是说，它负责的是理解素材、规划任务、生成结构化结果和调用工具。真正的视频剪辑、语音生成、音轨混合与渲染，需要Qwen-MM-Plugins、Qwen-Live Harness或其他外部工具协同完成。
这个边界很重要。它说明所谓“Agentic Delivery”并不是模型单打独斗，而是由模型、Harness、插件、工具和运行环境共同构成。
官方也承认，长音视频在多轮推理中的存储、传输和处理仍然昂贵，现有Agent框架对原生音视频支持不足，从全模态理解到端到端执行的工作流仍处于早期阶段。[1]
所以，能力很亮眼，但还不能把演示效果直接等同于企业生产环境的稳定交付。
06｜企业真正该测试什么？
如果团队准备把Qwen3.8-Omni-Flash接入业务，我建议别只上传一段宣传视频问“效果怎么样”，而是用自己的真实任务做五项测试。
第一，证据定位是否准确。它能不能找到决定结论的关键片段，并给出时间点或出处？
第二，多人和噪声场景是否稳定。会议重叠发言、口音、背景噪声、镜头切换，往往比干净评测集难得多。
第三，工具调用是否可靠。参数错误、重复调用、任务中断后能否恢复，直接决定Agent能不能进入生产流程。
第四，完整任务成本是多少。不能只看输入单价，还要计算思考Token、输出、缓存、重试、存储和后续工具费用。
第五，结果能否验收。视频成片、会议待办、字幕翻译和研究报告，都需要明确质量标准，必要时保留人工复核。
结语｜多模态的下半场，是交付而不是感知
Qwen3.8-Omni-Flash最值得关注的，不是又支持了四种输入，也不只是1M上下文和一组漂亮评测。
真正的变化是：音频和视频不再只是模型“看过、听过”的内容，而开始成为Agent规划任务、调用工具和交付成果的工作介质。
从会议纪要到待办执行，从教程视频到知识笔记，从短剧翻译到成片质检，全模态能力正在从一个功能点变成一条生产链。
当然，这条路还没走完。模型标准API仅输出文本，复杂交付依赖工具链；官方评测也不等于每个企业场景都能稳定复现。真正上线之前，仍要用自己的素材、流程和验收标准做测试。
但方向已经很清楚：下一轮多模态竞争，不是谁能看见更多、听见更多，而是谁能在成本可控的前提下，把看到和听到的信息变成可执行的结果。
你最希望全模态Agent替你完成哪类工作？欢迎在评论区聊聊。
参考资料
[1] Qwen Team：《Qwen3.8-Omni-Flash: Omni Senses. Agentic Delivery.》，2026-09-18。https://qwen.ai/blog?id=qwen3.8-omni-flash
[2] 阿里云帮助中心：《全模态概述》，更新于2026-09-18。https://help.aliyun.com/zh/model-studio/omni
