阿里通义千问发布 Qwen3.8-Omni-Flash，主打智能体音视频理解与工具调用

Techub News 消息，阿里巴巴通义千问团队发布多模态大模型 Qwen3.8-Omni-Flash。该模型被描述为首个围绕智能体能力构建的“全能模态”模型，可接受文本、图像、音频和视频输入，并输出文本，将音视频理解、推理和工具调用集成于单一模型。其工作流程为理解内容、规划任务、使用工具执行并交付结果。 模型基于 Qwen3.8-Flash-Next 架构，上下文窗口为 100 万 token。目前已通过 QwenCloud、阿里云 Model Studio 和 Qwen Studio 提供托管 API 服务，但未开源权重。其 API 兼容 DashScope 和 OpenAI 协议，支持函数调用、网络搜索、结构化输出等功能。 研究团队称，在长视频理解任务中，该模型采用基于问题的智能体感知路径，能显著降低 token 消耗。在 OmniVideoBench 基准测试中，准确率从 63.4 提升至 67.8，token 使用量从 145,736 降至 79,117，降幅约 45.7%。官方数据显示，在 29 项评估中，其平均得分较 Qwen3.5-Omni-Plus 提升超 25%，音视频性能接近 Gemini 3.8 Flash，整体音频性能声称优于后者。 （MarkTechPost）