看得少、懂更多：Qwen3.8-Omni-Flash 重寫影音 AI 的經濟學

多模態 AI 最燒錢的習慣，就是像人類一樣從第一格看到最後一格地「看完」一支影片。2026 年 9 月 18 日，阿里巴巴 Qwen 團隊發布了 Qwen3.8-Omni-Flash，一個拒絕這麼做的全模態模型。它不線性吞下兩小時的錄影，而是從問題出發，自己決定哪些片段值得看、值得聽，再透過多輪「由粗到細」的檢索收集證據。Qwen 團隊表示，這讓長影片理解在 OmniVideoBench 上的準確率從 63.4 提升到 67.8，同時 token 消耗減少約 45.7%——同樣的任務，從 145,736 個 token 降到 79,117 個。

「準確率更高、成本更低」這組合正是本次發布的核心命題，而它出現的時間點，正是音訊與影片成為現實世界代理人（agents）主要媒介的時刻。

Qwen3.8-Omni-Flash 是什麼

模型建構在 Qwen3.8-Flash-Next 架構上——這個基座模型已在 2026 年 8 月以開放權重形式釋出。Qwen3.8-Omni-Flash 本身首發僅提供 API，未宣布開放權重，目前已上線 QwenCloud、阿里雲 Model Studio 與 Qwen Studio。

輸入面是真正的全模態：文字、影像、音訊、影片進去，文字出來。需要語音合成？文件請開發者改用 Qwen3.5-Omni。核心規格如下：

• 1M token 上下文視窗（QwenCloud 標示最大輸入 991K、最大輸出 131K，最大推理長度 262K token）
• 思考模式預設開啟，reasoning_effort 為 xhigh，設成 none 可關閉
• 同時支援 DashScope 與 OpenAI 兩種協議——Chat Completions 與 Responses API
• 支援函式呼叫、網頁搜尋、結構化輸出、上下文快取與批次呼叫
• 影片檔最長 2 小時 / 2 GB（透過 URL）；音訊最長 3 小時
• 音訊輸入支援 113 種語言與方言；影片取樣至 15 fps 仍維持穩定結果
• 多聲道音訊：透過 use_multichannel 支援雙聲道立體聲與四聲道 FOA 空間音訊
• 在 6 個區域可用：北京、新加坡、香港、東京、法蘭克福、維吉尼亞

如果這些能力讀起來像語音代理人的檢查清單，那正是刻意設計。模型宣告的工作流程——理解內容、規劃任務、用工具執行、交付結果——是代理人迴圈，不是聊天迴圈。

代理式感知的賭注

技術上最有意思的部分，是 Qwen 團隊所稱的代理式感知（agentic perception）。長影片理解傳統上是暴力問題：全部編碼，然後祈禱關鍵的三分鐘能在上下文壓縮中倖存。Qwen3.8-Omni-Flash 把它倒過來：代理人從問題起點出發，只把算力與 token 分配給重要的片段，並在多輪迭代中逐步聚焦。

Qwen 自家在 29 項評測上對比 Qwen3.5-Omni-Plus 的數字：

• 整套評測平均分數提升超過 25%
• WildClawBench-MM：+36.5 分
• AgenticVBench：+22.3 分
• UniClawBench：69.6
• LongAudioSpan：+8.3 分
• OmniVideoBench：+9.6 分（原始分數 63.4 → 67.8）
• OmniCap-IF：CSR +8.5、ISR +14.1 分
• 代理能力概括為 WildClawBench-MM 與 UniClawBench 平均 +19.5 分

對上 Google，Qwen 聲稱視聽表現「接近 Gemini 3.8 Flash」，而整體音訊表現超越它——直接挑戰這家搜尋巨頭剛上線的即時對話模型。發布當時尚無獨立評測結果，跨實驗室比較暫時請視為廠商自述。

掀桌級定價

這是這次發布讓競爭對手最不舒服的地方。QwenCloud 定價為每百萬輸入 token 0.15 美元、每百萬輸出 token 0.47 美元，隱式快取命中每百萬 0.016 美元。對比 Gemini 3.8 Live 公開的費率——輸入 0.75 美元、輸出 4.50 美元——Qwen 把音訊理解的輸入成本壓到約五分之一，輸出成本約十分之一。

對自家前代的降幅更猛：音訊輸入每小時成本下降超過 98%，視聽輸入下降超過 93%，X 上的官方公告把影片輸入降幅定在約 89%。在這個價位，一整類工作負載——會議轉寫與摘要、客服中心分析、監控影像審閱、課程索引、媒體資產庫——從「昂貴的試點專案」變成「例行預算項目」。

開源安慰獎：Qwen-MM-Plugins

由於模型只輸出文字，媒體工作由工具來做——Qwen 為此開源了兩個專案。Qwen-MM-Plugins 以 Apache-2.0 釋出，口號是「讓任何代理人框架成為多模態原生」。每項能力以 Skill 加上可選的 MCP server 形式安裝，引導式安裝器支援 Claude Code、CodeBuddy、Codex、Qoder、OpenClaw、Qwen Code 與 Gemini CLI。omni 系列插件對應發布示範：

• omni-memory——為長影片建立視聽記憶
• omni-video2note——把教學影片轉成圖文並茂的 PDF
• omni-chatcut——音樂 MV、電影解說、保留說話者聲音的影片翻譯

README 坦承一個現況缺口：多數框架還無法把音訊原生餵給主模型，音訊暫時得走 API。與插件並行的還有 Qwen-Live Harness，瞄準即時互動的視聽應用。

大脈絡：全模態價格戰

這次發布落在九月中的一波語音模型潮中間——Google 的 Gemini 3.8 Live 與 Live Extended Thinking 於 9 月 15 日上線，xAI 的 Grok Voice Transcribe 2.0 在 9 月 18 日推出，阿里巴巴自己也剛發布 Qwen3.8-LiveTranslate，一個把 60 種語言即時口譯平均延遲壓到 2.3 秒的模型。Qwen3.8-Omni-Flash 是這個技術棧中「理解」的那一半：LiveTranslate 負責即時跨語言搬運語音，Omni-Flash 負責消化數小時的多媒體並回答問題。

策略訊號也藏在「沒有發布什麼」裡。基座 Qwen3.8-Flash-Next 帶開放權重，其上的全模態模型卻沒有。阿里巴巴的押注是：可防禦的利潤不在基座 LLM，而在代理式全模態能力——同時又用插件與框架把自家 API 嵌進每一個主流代理人生態系。

後續觀察

三個問題將決定這次發布能否超越榜單意義。第一，token 效率增益在混亂的真實影片——監控畫面、多說話者會議、壓縮過的直播流——上是否成立，還是只在精心策劃的評測集上漂亮？第二，與 Gemini 的對比能否撐過獨立測試，尤其兩家公司現在都以週為單位出貨？第三，封閉 API 的決定會不會守得住，還是等插件生態成熟後就跟進開放權重？

對開發者而言，算盤已經很好打：1M token 上下文、函式呼叫、預設開啟的推理、六個區域可用，加上讓兩小時影片分析變成零頭的價格——Qwen3.8-Omni-Flash 是第一個讓有趣問題從「它看不看得懂影片？」變成「它能用多低的成本忽略不重要的部分？」的全模態模型。