Qwen3.8-Omni-Flash 横空出世！全模态 1M 上下文 + Agent 感知，定价打到 Gemini Flash 的 1/5！

admin@yesmiracle.net (万戈) — Sun, 20 Sep 2026 00:00:00 +0000

如果你最近在用多模态 API，一定知道那个数字：Gemini 3.8 Flash，输入 $0.75/M tokens，输出 $3.75/M tokens。Google 的 Flash 系列一直是多模态性价比的标杆。

然后昨天，阿里直接把桌子掀了。

Qwen3.8-Omni-Flash：输入 $0.15/M tokens，输出 $0.47/M tokens。整份账单只有 Gemini 3.8 Flash 的 1/5。

而且不是「便宜但弱」——它在多模态 Benchmark 上的表现接近甚至超过 Gemini 3.8 Flash，尤其是在音频理解方面。更重要的是，它引入了一个叫 Agentic Perception 的东西：不是逐帧处理视频，而是让模型自己决定「看哪里」，结果 tokens 省了 45.7%，准确率反而提升了。

这篇文章帮你拆解：它到底是什么、凭什么这么便宜、以及这对你意味着什么。

不是「简化版」，是「另一条路线」

先厘清一件事：Qwen3.8-Omni-Flash 不是 Qwen 3.8 旗舰版（2.4T 参数 MoE）的精简版，而是一个原生全模态模型。

维度	Qwen3.8-Omni-Flash	Qwen 3.8（旗舰版）	Gemini 3.8 Flash
架构基础	Qwen3.8-Flash-Next	2.4T MoE (A95B)	Gemini 3.8
输入模态	文本/图像/音频/视频	文本/图像/视频	文本/图像/音频/视频
输出	文本	文本	文本
上下文	1M tokens	1M tokens	1M tokens
定价（输入）	$0.15/M	$2.00/M	$0.75/M
定价（输出）	$0.47/M	$6.00/M	$3.75/M
开放权重	❌ API only	✅ 开源	❌
发布日期	2026-09-18	2026-08-03	2026-09-02

注意这个关键差异：

Qwen 3.8 旗舰版是「推理引擎也能看视频」，而 Qwen3.8-Omni-Flash 是「感知与行动引擎也会推理」。前者优化的是每个 token 的深度，后者优化的是每小时内容的 token 成本。

OrcaRouter 的分析师 Alistair Wren 说得直白：「两个模型共享一个家族名和一个 1M 上下文窗口，但它们不是替代品，而是回答完全不同的问题。」

Agentic Perception：不是看完再想，是想好了再看

这是 Qwen3.8-Omni-Flash 最核心的技术亮点。

大多数视频理解模型的做法是：把整个视频从头到尾逐帧编码，然后问问题。如果一段 2 小时的视频里答案只出现在 3 分钟里，那 95% 的计算被浪费了。

Qwen 团队的做法是反过来：从问题出发，让模型决定看什么、听什么。它按照 coarse-to-fine 的多轮搜索策略逐步定位相关片段，只处理需要的那部分。

结果：

指标	逐帧处理	Agentic Perception	变化
OmniVideoBench 准确率	63.4	67.8	+4.4
每查询 tokens 消耗	145,736	79,117	-45.7%

又省 token 又提分——这在 AI 领域是罕见的「双重红利」。通常省计算就意味着牺牲质量，但 Agentic Perception 通过更智能的采样策略打破了这种权衡。

Benchmark：凭数据说话

Qwen 团队在 29 项评测上做了对比，相比上一代 Qwen3.5-Omni-Plus，平均提升超过 26%。

文本与编码能力

评测项	Qwen3.8-Omni-Flash	Qwen3.5-Omni-Plus	提升
Terminal-Bench	60.5	48.2	+12.3
LiveCodeBench	52.1	41.8	+10.3
IFBench	84.2	72.6	+11.6
GPQA Diamond	56.8	45.3	+11.5

多模态与感知能力

评测项	Qwen3.8-Omni-Flash	Qwen3.5-Omni-Plus	对比 Gemini 3.8 Flash
WildClawBench-MM	71.0	34.5	—
AgenticVBench	82.1	59.8	—
UniClawBench	69.6	—	—
OmniVideoBench	67.8	58.2	接近
LongAudioSpan	63.5	55.2	接近
VoiceBench	91.6	—	超过

Qwen 团队特别指出：音频整体表现超过 Gemini 3.8 Flash，音视频综合性能接近。考虑到 1/5 的价格，这个成绩非常能打。

Agent 与工具调用

评测项	Qwen3.8-Omni-Flash	说明
WildClawBench-MM	71.0	+36.5 vs 前代
StreamingBench	80.8	流式 Agent 任务
AliMeeting DER	3.35	会议角色分离（越低越好）
AliMeeting CPWER	17.18	词错误率（越低越好）

AliMeeting 的数据对比最夸张：DER 从前代 88.11 降到 3.35——25 倍的改进，这已经不是「迭代」而是「换赛道」了。

🚀 最大亮点：WildClawBench-MM 提升 36.5 分，是全部评测中增幅最大的，也是 Agentic Perception 能力最直接的证明。

定价深度对比：1/5 不是全部故事

费率对比

费率项	Qwen3.8-Omni-Flash	Gemini 3.8 Flash	倍数
输入 ($/M tokens)	$0.15	$0.75	5x
输出 ($/M tokens)	$0.47	$3.75	8x
缓存命中 ($/M tokens)	$0.016	$0.03125	2x
音频输入（每小时）	~$0.36	—	比上代降 98%
音视频输入（每小时）	~$0.72	—	比上代降 93%
视频输入（每小时）	~$1.44	—	比上代降 89%

真正的冲击在媒体输入。Qwen 团队公布的数据显示，音频输入成本相比 Qwen3.5-Omni-Plus 下降了超过 98%，音视频输入下降 93%，视频输入下降 89%。

这意味着什么？

如果你在做音视频分析——会议转录、播客摘要、视频内容审核——Qwen3.8-Omni-Flash 极大降低了把「全量媒体输入」变成产品标配的成本门槛。以前只能在关键片段上做 AI 分析的场景，现在可以整段扔进去。

场景化成本对比

场景	每周用量	Qwen3.8-Omni-Flash	Gemini 3.8 Flash	节省
客服通话分析（10 万通/周）	~200M tokens	$30/周	$150/周	80%
视频内容审核（1000 小时/周）	~500M tokens	$75/周	$375/周	80%
通用多模态推理（100 万次/周）	~300M tokens	$45/周	$225/周	80%

上面的场景化计算基于输入为主的 workload，输出场景差距更大（8x）。

部署：六区域、OpenAI 协议、即开即用

Qwen3.8-Omni-Flash 目前是 API only，暂时没有开放权重。但部署支持很全面：

六区域覆盖：北京、新加坡、香港、东京、法兰克福、弗吉尼亚
API 兼容：同时支持 DashScope 和 OpenAI 协议，无需改代码
功能齐全：Function Calling、Web Search、Structured Outputs、Context Caching、Batch 全部支持
视频输入：支持最多 2 小时/2GB 视频文件（通过 URL），15fps 稳定采样
音频输入：支持最多 3 小时，113 种语言
多声道：支持双声道立体声和四声道 FOA 空间音频

调用方式只需要几行 Python：

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    base_url=os.environ["DASHSCOPE_BASE_URL"],
)
completion = client.chat.completions.create(
    model="qwen3.8-omni-flash",
    messages=[{
        "role": "user",
        "content": [
            {"type": "video_url", "video_url": {"url": video_url}},
            {"type": "text", "text": "列出关键事件的时间戳。"},
        ]
    }],
    modalities=["text"],
)

默认为思考模式（reasoning_effort 默认 xhigh），可以关闭。

不止模型：开源工具链补全生态

Qwen 团队同步开源了两套工具：

Qwen-MM-Plugins（Apache-2.0）：一套插件系统，让本地 Agent 框架（Claude Code、CodeBuddy、Codex、Qoder、OpenClaw、Qwen Code、Gemini CLI）能直接调用 Omni 模型的多模态能力。核心功能包含：

omni-memory：构建音视频长期记忆
omni-video2note：把教程视频转成带图 PDF
omni-chatcut：音乐 MV 解说、电影评论、视频翻译

Qwen-Live Harness：开源的 Agent 能力评测框架，可复现 WildClawBench 等评测。

目前有一个已知缺口：本地 harness 还不能原生传递音频到主模型，音频需要通过 API 路由。README 已经标注了这个问题。

写在最后

Qwen3.8-Omni-Flash 的意义不止于「又一个便宜的多模态模型」。

它标志着一个转变：Flash 类模型的竞争从「堆参数」转向了「堆感知效率」。Agentic Perception 技术——让模型自己决定看什么——比单纯增加上下文窗口更有工程价值。因为它直接影响了使用成本曲线。

对于做音视频 AI 产品的团队来说，这个模型提供的不仅是 1/5 的价格，更是一个产品设计空间的打开：当「把整个视频扔进去分析」的成本低到可以忽略不计时，你能做哪些以前不敢做的功能？

这可能是今年多模态赛道上最重要的一次定价信号。

📌 延伸阅读：如果你对 Qwen 生态感兴趣，可以看看我上个月写的《Qwen 3.8-27B 开源发布！》——那篇聊的是开源的 27B 推理模型，和今天的全模态 API 是同一个家族的不同分支。另外，《Google 拆分语音产品线！Gemini 3.8 Live 登顶语音排行榜》可以帮你了解今天文章里的对比对象 Gemini Flash 的全貌。

多模态 on AI博士 万戈