Компания Alibaba представила мультимодальную модель Qwen3.8-Omni-Flash, предназначенную для анализа аудио и видео, а также работы с инструментами. Модель базируется на архитектуре Qwen3.8-Flash-Next и доступна через API на платформах QwenCloud, Alibaba Cloud Model Studio и Qwen Studio. Открытые веса для модели не предусмотрены.
Размер контекстного окна составляет 1 миллион токенов, при этом лимит на входные данные ограничен 991 000 токенов, а на выходные — 131 000 токенов. Модель поддерживает вызов функций, поиск в интернете и кэширование контекста. Несмотря на мультимодальный ввод, на выходе система генерирует только текст.
Исследователи внедрили агентный подход: модель самостоятельно определяет важные фрагменты видео для анализа, вместо обработки всего файла целиком. Это позволило повысить точность на тесте OmniVideoBench с 63,4 до 67,8, сократив при этом объем используемых токенов на 45,7%.
Стоимость использования API составляет $0,15 за 1 миллион входных токенов и $0,47 за 1 миллион выходных токенов. По данным разработчиков, затраты на обработку аудио-видео данных снизились более чем на 93% по сравнению с моделью Qwen3.5-Omni-Plus.
Для интеграции модели с внешними инструментами Alibaba выпустила проект Qwen-MM-Plugins с лицензией Apache-2.0. Плагины позволяют подключать модель к средам разработки, таким как Claude Code и Gemini CLI, обеспечивая возможность локальной обработки изображений и кадров видео.
