最新！Qwen3.8-Omni-Flash发布全解：原生全模态+1M上下文，音视频Agent价格砍掉九成

发布日期：2026-09-18

Qwen3.8-Omni-Flash是阿里Qwen团队在2026年9月推出的下一代原生全模态模型，一次吃进文本、图像、音频、视频四种输入并保持1M token上下文，文本能力与同尺寸纯文本模型相当，全模态能力显著拉升，配套Realtime API与Qwen-MM-Plugins直接进Agent工作流。本文基于Qwen官方博客与QwenCloud模型页，还原评测涨幅、价格降幅、场景矩阵与落地三件套，并给出与Flash底座的关系和接入要点。

核心定义：Omni-Flash是什么

Qwen3.8-Omni-Flash是构建于Qwen3.8-Flash-Next架构上的原生全模态旗舰模型。据Qwen官方博客2026年9月版本，模型原生接受文本、图像、音频、视频输入，上下文窗口为1M token，为真实生产力场景的Agent能力而设计，覆盖编程、知识工作、GUI交互与音视频一体化任务。

原生是关键词：不是外挂转写通道，而是同一模型内理解四模态，输出为文本。

评测：29项平均+25%，三块Agent榜单点名

据Qwen官方博客，在29项评测上其平均分较Qwen3.5-Omni-Plus提升超25%，文本性能与同尺寸纯文本模型相当。

音视频Agent与长程任务是主战场：WildClawBench-MM提升36.5分，AgenticVBench提升22.3分，UniClawBench拿到69.6分。据官方表述，口号即Omni Senses加Agentic Delivery，榜单选的也全是交付向基准，不是纯问答刷分。

价格：音频每小时-98%，音视频每小时-93%

性能涨的同时价格直接砍。据Qwen官方博客，每小时音频输入价格下降超98%，每小时音视频输入价格下降超93%。

QwenCloud模型页2026年9月版本给出Token口径：输入每百万0.15美元，输出每百万0.47美元，隐式缓存输入每百万0.016美元。配额为每分钟200万Token、每分钟3万次请求，最大输入991K、最大输出131K，思考模式下输入983K，最大推理262K。

口径	数值	来源
音频输入（按小时）	下降超98%	Qwen官方博客2026-09
音视频输入（按小时）	下降超93%	Qwen官方博客2026-09
输入/输出/隐式缓存（每百万Token）	0.15/0.47/0.016美元	QwenCloud模型页2026-09

此前Flash底座据IT之家等2026年8月26日报道，千问AI平台定价为每百万Token输入1元、输出3元，Omni版本国际站走美元口径，对照时注意区分平台与币种。

场景：1M上下文一次装下音视频活

1M窗口配四模态，官方点名的活全是长料：视频剪辑、音乐MV创作、影视制作与解说、多媒体总结、音视频对话，外加编程、知识工作、GUI交互。据QwenCloud模型页，模型支持双声道与四声道空间音频理解，兼容DashScope与OpenAI双协议，内置web_search等工具，函数调用、结构化输出、上下文缓存、批量调用均可用。

一句话：以前音视频Agent要拼转写加切片加多模型，现在一路端到端，窗口一次给到991K输入上限。

落地三件套：Realtime API、MM-Plugins、Studio

模型发布同时给了三件交付物。据Qwen官方博客，QWEN3.8-OMNI-FLASH API与REALTIME API同步上线，Qwen Studio与QWEN-LIVE HARNESS承接体验侧。

最值得开发者看的是Qwen-MM-Plugins。据官方博客，这是一个面向Agent Harness的多模态插件套件，赋予Agent理解图像、音频、视频、文档的能力，支持长视频记忆与内容创作，已适配Codex、Claude Code、Qwen Code、Gemini CLI、Qoder、CodeBuddy、OpenClaw七家，社区可贡献。安装直接在常用办公Agent里用自然语言说一句：

Help me install the core, api, and omni-related plugins from https://github.com/QwenLM/Qwen-MM-Plugins.

OpenAI协议调用长这样，模型名填qwen3.8-omni-flash，输出只支持文本：

from openai import OpenAI
import os
client = OpenAI(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.8-omni-flash",
    messages=[{"role": "user", "content": "Who are you?"}],
    modalities=["text"],
    stream=True,
    stream_options={"include_usage": True},
)

与Flash底座的关系：一句话说清

Omni-Flash站在Qwen3.8-Flash-Next肩上。据2026年8月26日IT之家、界面等报道，Flash底座是基于下一代Qwen4架构的多模态MoE技术预览：主模型125B参数加51B N-gram Embedding，每token仅激活6B，原生262,144上下文并可用YaRN扩到1M，训练成本约为Qwen3.7-Plus的九分之一，6B激活下14个基准中8个最优，权重已在Hugging Face与ModelScope开源并同步FP8量化版。

需要多模型统一调度时，同为OpenAI兼容接口的七牛云AI推理提供国内可直接访问的调用地址，可与DashScope地址共用一套客户端写法。