El equipo Qwen de Alibaba lanzó Qwen3.8-Omni-Flash. Lo llamaron su primer modelo omnimodal construido en torno a capacidades agentes. Acepta texto, imágenes, audio y video, y devuelve texto. La comprensión, el razonamiento y el uso de herramientas de audio y vídeo se encuentran dentro de un modelo. El flujo de trabajo establecido es simple: comprender el contenido, planificar la tarea, ejecutarla con herramientas y entregar el resultado.
¿Es desplegable? Sí, como API alojada hoy. Está disponible en QwenCloud, Alibaba Cloud Model Studio y Qwen Studio. No se anunciaron pesos abiertos en el lanzamiento, por lo que el autohospedaje no es una opción.
¿Qué es Qwen3.8-Omni-Flash?
El Qwen3.8-Omni-Flash se basa en la arquitectura Qwen3.8-Flash-Next. Ese modelo base se envió con pesos abiertos en agosto de 2026.
La ventana de contexto es de 1 millón de tokens. QwenCloud enumera una entrada máxima de 991 K y una salida máxima de 131 K. La longitud máxima del razonamiento es de 262 000 tokens.
La salida es sólo texto. Los documentos de Model Studio dirigen a los desarrolladores a Qwen3.5-Omni cuando necesitan generar voz. Pensar está activado de forma predeterminada, con razonamiento_effort establecido en xalto. Establecerlo en none inhabilita el pensamiento.
La API sigue los protocolos DashScope y OpenAI. Funciona con Finalizaciones de Chat y la API de Respuestas. Se admiten llamadas a funciones, búsqueda web, resultados estructurados, almacenamiento en caché de contexto y llamadas por lotes.
Percepción agente para vídeos largos
La mayoría de los modelos de vídeo leen un archivo largo de principio a fin. Eso es válido incluso cuando la respuesta se encuentra en 3 minutos de metraje.
El equipo de investigación de Qwen describe un camino diferente. El agente parte de la pregunta. Decide qué mirar y oír. Luego reúne pruebas a lo largo de varias rondas de gruesas a finas. La computación y los tokens van a los segmentos que importan.
El equipo de investigación informa el resultado en OmniVideoBench. La precisión aumenta de 63,4 a 67,8. El uso de tokens cae de 145.736 a 79.117. Eso es aproximadamente un 45,7% menos de tokens.
Puntos de referencia informados
Todas las figuras aquí provienen de Qwen. Los resultados independientes no estaban disponibles en el momento de la publicación.
En 29 evaluaciones, la puntuación promedio mejora más del 25 % con respecto a Qwen3.5-Omni-Plus. WildClawBench-MM mejora en 36,5 puntos. AgenticVBench mejora en 22,3 puntos. UniClawBench alcanza 69,6. LongAudioSpan gana 8,3 puntos. OmniVideoBench gana 9,6 puntos. OmniCap-IF CSR e ISR mejoran en 8,5 y 14,1 puntos.
El equipo de investigación afirma que el rendimiento audiovisual se acerca al de Gemini 3.8 Flash. También afirma tener un rendimiento de audio general superior al de Gemini 3.8 Flash. La publicación X resume las ganancias del agente en +19,5 puntos en promedio en WildClawBench-MM y UniClawBench.
Límites de precios y entradas
QwenCloud enumera $0,15 por 1 millón de tokens de entrada y $0,47 por 1 millón de tokens de salida. Los accesos de caché implícitos cuestan $0,016 por cada millón de tokens.
El equipo de investigación informa grandes recortes de costes frente a Qwen3.5-Omni-Plus. La entrada de audio cuesta más de un 98% menos por hora. Los contenidos audiovisuales cuestan más de un 93% menos por hora. La publicación X sitúa la reducción de la entrada de vídeo en aproximadamente un 89%.
Límites clave de los documentos de Model Studio:
Archivos de vídeo de hasta 2 horas y 2 GB por URL. Archivos de audio de hasta 3 horas. Entrada de audio en 113 idiomas y dialectos. Resultados estables con vídeo muestreado a hasta 15 fps. Audio espacial estéreo de dos canales y FOA de cuatro canales a través de use_multichannel. Disponibilidad en 6 regiones: Beijing, Singapur, Hong Kong, Tokio, Frankfurt y Virginia.
Llamarlo requiere algunas líneas con el SDK de OpenAI:
{“type”: “video_url”, “video_url”: {“url”: os.environ[“VIDEO_URL”]}}, {“type”: “text”, “text”: “Enumere los momentos clave con marcas de tiempo.”}, ]}], modalities=[“text”]stream=True, ) para fragmentos completados: si chunk.choices y chunk.choices[0].delta.content: imprimir (fragmentos.opciones[0].delta.content, fin=””)
El modelo devuelve texto, por lo que las herramientas hacen el trabajo de los medios. El equipo de Qwen está abriendo 2 proyectos para respaldar eso.
Qwen-MM-Plugins está disponible bajo Apache-2.0. Su eslogan es “Haga que cualquier agente aproveche el multimodal nativo”. Cada capacidad se instala como una habilidad más un servidor MCP opcional. El instalador guiado es compatible con Claude Code, CodeBuddy, Codex, Qoder, OpenClaw, Qwen Code y Gemini CLI.
Las capacidades de Omni se corresponden con las demostraciones de lanzamiento:
La omnimemoria construye una memoria audiovisual de un vídeo largo. omni-video2note convierte un vídeo tutorial en un PDF ilustrado. omni-chatcut cubre música a MV, comentarios de películas y traducción de videos con preservación del hablante.
Un complemento central permite que el modelo principal lea imágenes locales y fotogramas de vídeo de forma nativa. El README señala una brecha actual. La mayoría de los arneses todavía no pueden enviar audio al modelo principal de forma nativa. El audio se enruta a través de la API por ahora.