Qwen3.8-Omni-Flash: Omnimodales Agentenmodell mit 1M-Kontext und drastisch gesenkten Audio-Preisen

Alibaba startet Qwen3.8-Omni-Flash, das nächste native Omnimodal-Modell der Qwen-Familie. Das Ziel ist weniger das Verstehen von Inhalten als das produktive Agieren: Aufgaben planen, Tools aufrufen, kreative Arbeit erledigen.

Fähigkeiten und Kennzahlen

• Text-, Bild-, Audio- und Video-Eingabe mit 1 Million Token Kontext
• Über 29 Evaluierungen im Schnitt mehr als 25 Prozent besser als Qwen3.5-Omni-Plus
• Audiovisuelle Agenten, Coding und Long-Horizon-Aufgaben: plus 36,5 Punkte auf WildClawBench-MM, plus 22,3 auf AgenticVBench, 69,6 auf UniClawBench
• Deutliche Sprünge bei Langaudio-Verstehen, Multi-Speaker-Recognition (AliMeeting DER von 88,11 auf 3,35) und Audio-Video-Reasoning
• Der API-Preis pro Stunde Audio-Input sinkt um über 98 Prozent, audiovisuelle Inputs um über 93 Prozent

Einordnung

Qwen nennt als Referenzpunkt Gemini 3.8 Flash: audiovisuelle Performance knapp dahinter, reine Audio-Performance darüber. Interessant ist der Ansatz, Audio und Video nicht nur als Wahrnehmungs-Input zu sehen, sondern als Kernmedien, über die Agenten ihre Umgebung verstehen und Aufgaben ausführen — von Videoschnitt bis Echtzeitgespräch. Erhältlich über die Qianwen-Plattform und Alibaba Cloud.

Quelle: qwen.ai